Structure Discovery in Natural Language

تکنولوژی زبان کنونی تحت سلطه رویکردهایی است که یا مجموعه بزرگی از قوانین را برمی‌شمارند یا بر روی مقدار زیادی از داده‌های برچسب‌گذاری شده دستی متمرکز هستند. ایجاد هر دو زمان‌بر و پرهزینه است، که معمولاً تصور می‌شود دلیل این است که درک خودکار زبان طبیعی هنوز راه خود را به برنامه‌های «زندگی واقعی» باز نکرده است.

این کتاب یک هدف بلندپروازانه را تعیین می‌کند: تغییر توسعه سیستم‌های پردازش زبان به محیطی بسیار خودکارتر از آثار قبلی. یک رویکرد جدید تعریف شده است: اگر رایانه‌ها نمونه‌های بزرگی از داده‌های زبان را به تنهایی تجزیه و تحلیل می‌کردند، قوانین ساختاری را شناسایی می‌کردند که انتزاعات و تعمیم‌های لازم را برای درک بهتر زبان در فرآیند انجام می‌دادند؟
پس از تعریف چارچوب کشف ساختار و با روشن کردن ماهیت و ساختار گرافیکی داده‌های زبان طبیعی، چندین روش توضیح داده شده‌اند که دقیقاً این کار را انجام می‌دهند: اجازه دهید کامپیوتر بدون نظارت ساختارها را کشف کند تا عملکرد برنامه‌های کاربردی فناوری زبان را افزایش دهد. در اینجا، اسناد چند زبانه بر اساس زبان مرتب می‌شوند، کلاس‌های کلمه شناسایی می‌شوند و ابهامات معنایی بدون استفاده از فرهنگ لغت یا سایر ورودی‌های صریح انسانی کشف و حل می‌شوند. این کتاب با نگاهی به احتمالات مستلزم این پارادایم پایان می‌یابد و روش‌ها را در چشم‌انداز تعامل رایانه‌ای انسانی قرار می‌دهد.

مخاطبان هدف، دانشگاهیان در همه سطوح (دانشجویان کارشناسی و کارشناسی ارشد، مدرسان و اساتید) هستند که کار می‌کنند. در زمینه‌های پردازش زبان طبیعی و زبان‌شناسی محاسباتی، و همچنین مهندسان زبان طبیعی که به دنبال بهبود سیستم‌های خود هستند.

Current language technology is dominated by approaches that either enumerate a large set of rules, or are focused on a large amount of manually labelled data. The creation of both is time-consuming and expensive, which is commonly thought to be the reason why automated natural language understanding has still not made its way into “real-life” applications yet.

This book sets an ambitious goal: to shift the development of language processing systems to a much more automated setting than previous works. A new approach is defined: what if computers analysed large samples of language data on their own, identifying structural regularities that perform the necessary abstractions and generalisations in order to better understand language in the process?
After defining the framework of Structure Discovery and shedding light on the nature and the graphic structure of natural language data, several procedures are described that do exactly this: let the computer discover structures without supervision in order to boost the performance of language technology applications. Here, multilingual documents are sorted by language, word classes are identified, and semantic ambiguities are discovered and resolved without using a dictionary or other explicit human input. The book concludes with an outlook on the possibilities implied by this paradigm and sets the methods in perspective to human computer interaction.

The target audience are academics on all levels (undergraduate and graduate students, lecturers and professors) working in the fields of natural language processing and computational linguistics, as well as natural language engineers who are seeking to improve their systems.