Bevezetés a beszédrész címkézésébe és a Rejtett Markov-modellbe

Sachin Malhotra és Divya Godayal

Térjünk vissza azokba az időkbe, amikor nem volt nyelvünk kommunikálni. Az egyetlen módunk a jelnyelv volt. Így szoktunk otthon kommunikálni kutyánkkal, igaz? Amikor azt mondjuk neki: "Szeretünk, Jimmy", a farkát csóválva válaszol. Ez nem azt jelenti, hogy tudja, mit is mondunk valójában. Ehelyett a válasza egyszerűen az, hogy jobban megérti az érzelmek és a gesztusok nyelvét, mint a szavakat.

Mi, emberek, jobban megértettük a természetes nyelv sok árnyalatának megértését, mint bármely állat ezen a bolygón. Éppen ezért, amikor azt mondjuk, hogy „SZERETTELEK, édesem”, és amikor azt mondjuk, hogy „Szeressünk, édesem”, akkor különböző dolgokra gondolunk. Mivel megértjük a két mondat közötti alapvető különbséget, válaszaink nagyon eltérőek. Ezeket a bonyolultságokat a természetes nyelv megértésében akarjuk megtanítani egy gépnek.

Ez azt jelentheti, hogy amikor a jövőbeni robotkutyád meghallja „Szeretlek, Jimmy”, tudná, hogy a SZERETET egy ige. Ráébredne arra is, hogy ez egy olyan érzelem, amelyet kifejezünk, és amelyre bizonyos módon reagálna. És talán, amikor azt mondod partnerednek, hogy „LOVE LOVE”, a kutya csak kívül esne az üzletedben?

Ez csak egy példa arra, hogy a robotnak a számunkra ismert nyelven való kommunikáció megtanítása megkönnyítheti a dolgokat.

Az ebben a példában kiemelt elsődleges használati eset az, hogy mennyire fontos megérteni a LOVE szó használatának különbségét a különböző összefüggésekben.

Beszédrész címkézése

Nagyon kicsi kortól kezdve hozzászoktattuk a beszédcímkék egy részének azonosításához. Például egy mondat elolvasása és annak meghatározása, hogy milyen szavak szerepelnek név-, névmási, igék, határozószóként stb. Mindezekre a beszédcímkék részeként hivatkozunk.

Nézzük meg a Wikipedia definícióját:

A korpusznyelvészetben a beszéd részének címkézése ( POS tagging vagy PoS tagging vagy POST ), amelyet nyelvtani címkézésnek vagy szókategória-egyértelműsítésnek is neveznek , a szövegben (korpuszban) szereplő szó megjelölésének folyamata, amely megfelel egy adott résznek mind a definíciója, mind a kontextusa alapján - azaz a szomszédos és kapcsolódó szavakkal való kapcsolata alapján egy mondatban, mondatban vagy bekezdésben. Ennek egyszerűsített formáját általában megtanítják az iskoláskorú gyermekek, a szavak főnévként, igeként, melléknévként, határozószóként stb. Történő azonosításában.

A beszédcímkék egy részének azonosítása sokkal bonyolultabb, mint egyszerűen a szavak hozzárendelése a beszédcímkék részéhez. Ennek oka, hogy a POS-címkézés nem általános. Könnyen lehetséges, hogy egyetlen szónál a beszédcímke más része legyen, különböző mondatokban, különböző összefüggések alapján. Ezért lehetetlen a POS-címkék általános leképezése.

Amint láthatja, nem lehet manuálisan megtalálni a beszéd különböző címkéit egy adott korpuszhoz. Új típusú összefüggések és új szavak jelennek meg a különböző nyelvű szótárakban, és a kézi POS-címkézés önmagában nem méretezhető. Ezért támaszkodunk a gépi POS címkézésre.

Mielőtt tovább folytatnánk, és megnéznénk, hogyan történik a beszéd részes címkézése, meg kell vizsgálnunk, miért van szükség a POS címkézésre, és hol használható.

Miért pont a beszéd része címkézés?

A beszéd részes címkézése önmagában nem jelenthet megoldást egy adott NLP problémára. Ez azonban olyan dolog, amelyet előfeltételként tesznek meg a sokféle probléma leegyszerűsítése érdekében. Vizsgáljuk meg a POS-címkézés néhány alkalmazását a különféle NLP-feladatokban.

Szövegről beszédre konvertálás

Nézzük meg a következő mondatot:

They refuse to permit us to obtain the refuse permit.

A szót refusekétszer használják ebben a mondatban, és itt két különböző jelentése van. A refuse (/ rəˈfyo͞oz /) ige jelentése: „tagadja”, míg a REFuse (/ ˈrefˌyo͞os /) egy név, amely jelentése „szemét” (vagyis nem homofon). Így tudnunk kell, hogy melyik szót használjuk a szöveg helyes kiejtéséhez. (Emiatt a szövegfelolvasó rendszerek általában POS-címkézést végeznek.)

Vessen egy pillantást az NLTK csomag által éppen erre a mondatra létrehozott beszédrész címkékre.

>>> text = word_tokenize("They refuse to permit us to obtain the refuse permit")>>> nltk.pos_tag(text)[('They', 'PRP'), ('refuse', 'VBP'), ('to', 'TO'), ('permit', 'VB'), ('us', 'PRP'),('to', 'TO'), ('obtain', 'VB'), ('the', 'DT'), ('refuse', 'NN'), ('permit', 'NN')]

Amint az NLTK csomag eredményeiből láthatjuk, a POS címkék mind a REUSE, mind a REFuse esetében eltérőek. E két különböző POS-címke használata szöveg-beszéd átalakítónként különböző hangkészletekkel állhat elő.

Hasonlóképpen, nézzük meg a POS-címkézés egy újabb klasszikus alkalmazását: a szóérzék pontosítását.

Szóérzékelés

Beszéljünk erről a Peter nevű gyerekről. Mivel édesanyja neurológiai tudós, nem küldte iskolába. Élete nélkülözte a természettudományt és a matematikát.

Egy nap kísérletet végzett, és arra késztette őt, hogy üljön egy matematikaórára. Annak ellenére, hogy nem rendelkezett előzetes tantárgyi ismeretekkel, Peter azt hitte, hogy felajánlotta első tesztjét. Édesanyja aztán vett egy példát a tesztből, és az alábbiak szerint tette közzé. (Kudos neki!)

A szavak gyakran különböző értelemben fordulnak elő, mint a beszéd különböző részei. Például:

  • Látott egy medvét.
  • Erőfeszítéseid meghozzák gyümölcsüket.

A medve szó a fenti mondatokban teljesen más értelemmel bír, de ami még fontosabb, az egyik egy főnév, a másik pedig az ige. A kezdetleges szóérzék-elhatárolás akkor lehetséges, ha a szavakat POS-címkéikkel címkézheti fel.

A szóérzéki elhatárolás (WSD) annak azonosítását jelenti, hogy a szó melyik értelmét (vagyis melyik jelentését) használja a mondatban, ha a szónak több jelentése van.

Próbáljon meg gondolni ennek a mondatnak a többféle jelentésére:

Az idő úgy nyílik, mint egy nyíl

Itt vannak az adott mondat különféle értelmezései. A beszéd jelentése és következésképpen az egyes szavak esetében eltérő lehet.

Mint jól láthatjuk, az adott mondatra többféle értelmezés lehetséges. A különböző értelmezések különböző típusú beszédcímkéket eredményeznek a szavak számára. Ez az információ, ha rendelkezésünkre áll, segíthet a mondat pontos változatának / értelmezésében, és onnan folytathatjuk.

A fenti példa azt mutatja, hogy egyetlen mondathoz három különböző POS tag-szekvencia rendelhető, amelyek ugyanolyan valószínűek. Ez azt jelenti, hogy nagyon fontos tudni, hogy az adott mondat milyen konkrét jelentést közvetít, valahányszor megjelenik. Ez a szóérzék pontosítása, mivel megpróbáljuk kideríteni A sorrendet.

These are just two of the numerous applications where we would require POS tagging. There are other applications as well which require POS tagging, like Question Answering, Speech Recognition, Machine Translation, and so on.

Now that we have a basic knowledge of different applications of POS tagging, let us look at how we can go about actually assigning POS tags to all the words in our corpus.

Types of POS taggers

POS-tagging algorithms fall into two distinctive groups:

  • Rule-Based POS Taggers
  • Stochastic POS Taggers

E. Brill’s tagger, one of the first and most widely used English POS-taggers, employs rule-based algorithms. Let us first look at a very brief overview of what rule-based tagging is all about.

Rule-Based Tagging

A beszédcímkézés automatikus része a természetes nyelv feldolgozásának olyan területe, ahol a statisztikai technikák sikeresebbek, mint a szabályalapú módszerek.

A tipikus szabályalapú megközelítések kontextuális információkat használnak az ismeretlen vagy kétértelmű szavakhoz címkék hozzárendeléséhez. A pontosítás a szó nyelvi sajátosságainak, az azt megelőző szónak, a következő szónak és egyéb szempontoknak az elemzésével történik.

Például, ha az előző szó cikk, akkor a szónak főnévnek kell lennie. Ezeket az információkat szabályok formájában kódolják.

Példa egy szabályra:

Ha egy félreérthető / ismeretlen X szót megelőz egy meghatározó, majd főnév követi, jelölje meg melléknévként.

A szabályhalmaz manuális meghatározása rendkívül nehézkes folyamat, és egyáltalán nem méretezhető. Szükségünk van ennek valamilyen automatikus módjára.

The Brill’s tagger is a rule-based tagger that goes through the training data and finds out the set of tagging rules that best define the data and minimize POS tagging errors. The most important point to note here about Brill’s tagger is that the rules are not hand-crafted, but are instead found out using the corpus provided. The only feature engineering required is a set of rule templates that the model can use to come up with new features.

Let’s move ahead now and look at Stochastic POS tagging.

Stochastic Part-of-Speech Tagging

The term ‘stochastic tagger’ can refer to any number of different approaches to the problem of POS tagging. Any model which somehow incorporates frequency or probability may be properly labelled stochastic.

The simplest stochastic taggers disambiguate words based solely on the probability that a word occurs with a particular tag. In other words, the tag encountered most frequently in the training set with the word is the one assigned to an ambiguous instance of that word. The problem with this approach is that while it may yield a valid tag for a given word, it can also yield inadmissible sequences of tags.

An alternative to the word frequency approach is to calculate the probability of a given sequence of tags occurring. This is sometimes referred to as the n-gram approach, referring to the fact that the best tag for a given word is determined by the probability that it occurs with the n previous tags. This approach makes much more sense than the one defined before, because it considers the tags for individual words based on context.

The next level of complexity that can be introduced into a stochastic tagger combines the previous two approaches, using both tag sequence probabilities and word frequency measurements. This is known as the Hidden Markov Model (HMM).

Before proceeding with what is a HiddenMarkov Model, let us first look at what is a Markov Model. That will better help understand the meaning of the term Hiddenin HMMs.

Markov Model

Say that there are only three kinds of weather conditions, namely

  • Rainy
  • Sunny
  • Cloudy

Now, since our young friend we introduced above, Peter, is a small kid, he loves to play outside. He loves it when the weather is sunny, because all his friends come out to play in the sunny conditions.

He hates the rainy weather for obvious reasons.

Every day, his mother observe the weather in the morning (that is when he usually goes out to play) and like always, Peter comes up to her right after getting up and asks her to tell him what the weather is going to be like. Since she is a responsible parent, she want to answer that question as accurately as possible. But the only thing she has is a set of observations taken over multiple days as to how weather has been.

How does she make a prediction of the weather for today based on what the weather has been for the past N days?

Say you have a sequence. Something like this:

Sunny, Rainy, Cloudy, Cloudy, Sunny, Sunny, Sunny, Rainy

So, the weather for any give day can be in any of the three states.

Let’s say we decide to use a Markov Chain Model to solve this problem. Now using the data that we have, we can construct the following state diagram with the labelled probabilities.

In order to compute the probability of today’s weather given N previous observations, we will use the Markovian Property.

Markov Chain is essentially the simplest known Markov model, that is it obeys the Markov property.

The Markov property suggests that the distribution for a random variable in the future depends solely only on its distribution in the current state, and none of the previous states have any impact on the future states.

For a much more detailed explanation of the working of Markov chains, refer to this link.

Also, have a look at the following example just to see how probability of the current state can be computed using the formula above, taking into account the Markovian Property.

Apply the Markov property in the following example.

We can clearly see that as per the Markov property, the probability of tomorrow's weather being Sunny depends solely on today's weather and not on yesterday's .

Let us now proceed and see what is hidden in the Hidden Markov Models.

Hidden Markov Model

It’s the small kid Peter again, and this time he’s gonna pester his new caretaker — which is you. (Ooopsy!!)

As a caretaker, one of the most important tasks for you is to tuck Peter into bed and make sure he is sound asleep. Once you’ve tucked him in, you want to make sure he’s actually asleep and not up to some mischief.

Viszont nem léphet be újra a szobába, mivel ez biztosan felébresztené Peteret. Tehát csak a szobából érkező zajokról kell döntenie. Vagy a szoba csendes, vagy zaj hallatszik a szobából. Ezek az államok.

Peter anyja, mielőtt elhagyott volna téged ezen a rémálmon, ezt mondta:

Legyen veled a hang :)

Az anyja a következő állapotdiagramot adta neked. A diagramnak van néhány állapota, megfigyelése és valószínűsége.

Ne feledje, hogy nincs közvetlen összefüggés a szobából érkező hang és Peter alvása között.

Kétféle valószínűség létezik, amelyeket az állapotdiagramból láthatunk.

  • Az egyik a kibocsátásvalószínűségek, amelyek egy adott állapot adott megfigyelésének valószínűségét jelentik. Például van P(noise | awake) = 0.5. Ez egy emissziós valószínűség.
  • A többi az átmenetvalószínűségek, amelyek az adott állapotnak megfelelő másik állapotba való áttérés valószínűségét jelentik. Például van P(asleep | awake) = 0.4. Ez egy átmenet valószínűsége.

A Markovian tulajdonság ebben a modellben is érvényes. Tehát ne bonyolítsa túlságosan a dolgokat. Markov, a megmentőd mondta:

Ne menj túl sokat a történelembe ...

A Markov-tulajdonság - amint az itt figyelembe vett példánkra alkalmazható - az lenne, hogy annak valószínűsége, hogy Péter állapotban van, CSAK az előző állapottól függ.

But there is a clear flaw in the Markov property. If Peter has been awake for an hour, then the probability of him falling asleep is higher than if has been awake for just 5 minutes. So, history matters. Therefore, the Markov state machine-based model is not completely correct. It’s merely a simplification.

The Markov property, although wrong, makes this problem very tractable.

We usually observe longer stretches of the child being awake and being asleep. If Peter is awake now, the probability of him staying awake is higher than of him going to sleep. Hence, the 0.6 and 0.4 in the above diagram.P(awake | awake) = 0.6 and P(asleep | awake) = 0.4

Before actually trying to solve the problem at hand using HMMs, let’s relate this model to the task of Part of Speech Tagging.

HMMs for Part of Speech Tagging

We know that to model any problem using a Hidden Markov Model we need a set of observations and a set of possible states. The states in an HMM are hidden.

In the part of speech tagging problem, the observations are the words themselves in the given sequence.

As for the states, which are hidden, these would be the POS tags for the words.

The transition probabilities would be somewhat like P(VP | NP) that is, what is the probability of the current word having a tag of Verb Phrase given that the previous tag was a Noun Phrase.

Emission probabilities would be P(john | NP) or P(will | VP) that is, what is the probability that the word is, say, John given that the tag is a Noun Phrase.

Note that this is just an informal modeling of the problem to provide a very basic understanding of how the Part of Speech tagging problem can be modeled using an HMM.

How do we solve this?

Coming back to our problem of taking care of Peter.

Irritated are we ? ?.

Our problem here was that we have an initial state: Peter was awake when you tucked him into bed. After that, you recorded a sequence of observations, namely noise or quiet, at different time-steps. Using these set of observations and the initial state, you want to find out whether Peter would be awake or asleep after say N time steps.

We draw all possible transitions starting from the initial state. There’s an exponential number of branches that come out as we keep moving forward. So the model grows exponentially after a few time steps. Even without considering any observations. Have a look at the model expanding exponentially below.

If we had a set of states, we could calculate the probability of the sequence. But we don’t have the states. All we have are a sequence of observations. This is why this model is referred to as the Hidden Markov Model — because the actual states over time are hidden.

So, caretaker, if you’ve come this far it means that you have at least a fairly good understanding of how the problem is to be structured. All that is left now is to use some algorithm / technique to actually solve the problem. For now, Congratulations on Leveling up!

In the next article of this two-part series, we will see how we can use a well defined algorithm known as the Viterbi Algorithm to decode the given sequence of observations given the model. See you there!