孫浩蒸，于洪志，蘇 敏

( 西北民族大學(xué)，中國民族信息技術(shù)研究院，甘肅蘭州730030)

基于知識庫的藏文問答系統(tǒng)研究

孫浩蒸，于洪志，蘇 敏

( 西北民族大學(xué)，中國民族信息技術(shù)研究院，甘肅蘭州730030)

隨著數(shù)據(jù)信息的海量增長，人們迫切需要在海量的數(shù)據(jù)中精準(zhǔn)獲取有用信息，為了解決這個問題,問答系統(tǒng)應(yīng)運(yùn)而生.現(xiàn)今，英文問答系統(tǒng)及中文問答系統(tǒng)取得了顯著成績，但藏文問答系統(tǒng)卻鮮有人問津.作為一個多民族的國家，伴隨信息化的高速前行，藏文問答系統(tǒng)的研究勢在必行.文章通過對現(xiàn)有藏文分詞、信息檢索等技術(shù)分析，借用中英文問答系統(tǒng)成熟的模式，結(jié)合藏語語法的特殊性質(zhì)，對基于FAQ庫的藏文問答系統(tǒng)的構(gòu)建進(jìn)行分析研究.

問答系統(tǒng)；藏文問答系統(tǒng)；藏文分詞；信息檢索；FAQ

0 引言

進(jìn)入21世紀(jì),數(shù)據(jù)信息已經(jīng)呈海量態(tài)勢發(fā)展,人們對于信息的獲取需要更加精準(zhǔn)的方式.問答系統(tǒng)能夠有效地緩解數(shù)據(jù)驟增帶來的獲取信息效率低下問題.以英文為首的各語言問答系統(tǒng)不斷更新發(fā)展.現(xiàn)今，英文、中文等語言的問答系統(tǒng)已經(jīng)取得了顯著的成績，并且在實際的生活中得到了廣泛的應(yīng)用.但是對于藏文等民族語的問答系統(tǒng)卻少有人問津，這與民族語言的特殊性有一定的關(guān)系.

近些年，隨著計算機(jī)的普及，相關(guān)的藏文數(shù)據(jù)信息不斷增加，藏族人民對信息獲取的需要不斷的增強(qiáng)，針對藏族語言的問答系統(tǒng)建設(shè)勢在必行.本文在英文及中文問答系統(tǒng)的基礎(chǔ)上，結(jié)合傳統(tǒng)的藏文分詞等技術(shù)，根據(jù)藏文特有的語法特征進(jìn)行研究.

1 相關(guān)研究

英文問答系統(tǒng)出現(xiàn)時間較早，就在上世紀(jì)60年代人工智能研究初期，人們就提出利用自然語言來回答問題的設(shè)想，那便是問答系統(tǒng)的雛形.問答系統(tǒng)的快速發(fā)展主要取決于面對海量的數(shù)據(jù)信息，人們需要快速、準(zhǔn)確獲取信息.

中文問答系統(tǒng)較英文等問答系統(tǒng)發(fā)展較晚[1].相比而言，國內(nèi)問答系統(tǒng)的研究無論是在技術(shù)水平上還是應(yīng)用規(guī)模上都有不小的差距[2].但在國內(nèi)，許多科研機(jī)構(gòu)和單位都投入了相當(dāng)大的精力，也開發(fā)出了一批成熟的中文問答系統(tǒng).藏文問答系統(tǒng)的建立是文化發(fā)展的需要，是大數(shù)據(jù)信息時代發(fā)展的趨勢，會成為藏族人民生活中重要的工具.由于藏文存在語法特殊性，藏文問答系統(tǒng)的研究將會是一個長期的過程，藏文問答系統(tǒng)作為民族語言處理領(lǐng)域中重要的一項技術(shù)，倍受關(guān)注并且有巨大的發(fā)展前景.

2 系統(tǒng)構(gòu)建

現(xiàn)有的問答系統(tǒng)可以從形式上分為以下幾類[3]：聊天機(jī)器人、問答式檢索系統(tǒng)、基于自由文本的問答系統(tǒng)和基于知識庫的問答系統(tǒng).

聊天機(jī)器人能夠讓交互交流變得更加方便和人性化.但是聊天機(jī)器人基于設(shè)定好的程序，在交互過程中，完全依賴于簡單的模式匹配、談話技巧和聊天技巧進(jìn)行交流[4].

問答檢索系統(tǒng)[5]依據(jù)用戶輸入的問題，對文檔或網(wǎng)頁進(jìn)行檢索，把檢索出的文檔或網(wǎng)頁返回.這類問答系統(tǒng)主要稱作智能搜索引擎，不能稱為嚴(yán)格意義上的問答系統(tǒng).

基于自由文本的問答系統(tǒng)現(xiàn)已經(jīng)在各語言的問答系統(tǒng)中得到廣泛的應(yīng)用，但對于藏文而言，現(xiàn)有的藏文文檔集和藏文網(wǎng)站還相當(dāng)有限，還不能完全為問答系統(tǒng)提供強(qiáng)大的數(shù)據(jù)支持.

基于知識庫的問答系統(tǒng)通過一個或多個知識庫提供數(shù)據(jù)源，知識庫的建設(shè)可以面向受限領(lǐng)域.對于知識庫范圍內(nèi)的問題，系統(tǒng)回答的準(zhǔn)確率非常高.本文主要研究以知識庫為基礎(chǔ)的藏文問答系統(tǒng).

圖1 問答系統(tǒng)體系結(jié)構(gòu)

藏文問答系統(tǒng)可以借鑒英漢問答系統(tǒng)模式，分為三個核心部分，即藏文問題理解、藏文信息檢索、藏文答案抽取.

圖2 問答系統(tǒng)核心模塊

在系統(tǒng)構(gòu)建過程中本文根據(jù)以上三個核心模塊對系統(tǒng)進(jìn)行建設(shè).提供數(shù)據(jù)支持的知識庫設(shè)定為受限領(lǐng)域的常用問題集.

2.1 問題理解

2.1.1 藏文分詞

藏文是一種拼音文字，有30個輔音字母和4個元音字母組成音節(jié)，由音節(jié)構(gòu)成詞.藏文同中文同屬漢藏語系，藏文分詞同中文分詞在自然語言處理領(lǐng)域具有相同的地位，他們在語句構(gòu)成上并沒有像英文那樣以空格來切分詞語.因此，中文和藏文的處理，首先要進(jìn)行分詞.藏文詞匯存在口語話等特征也會對分詞產(chǎn)生影響，這些因素決定了藏文分詞的特殊性.本文采用西北民族大學(xué)祁坤鈺教授研究的藏文分詞法進(jìn)行分詞[6].

2.1.2 去停用詞

藏文和中文一樣，在自然語句中不乏大量的無實際意義的詞或符號以及虛詞、助詞等.在成熟的中文問答系統(tǒng)中對停用詞處理的方法一般基于停用詞表進(jìn)行去停用詞.停用詞表包含部分藏語停用詞和借用中文的標(biāo)點符號(如：. ！ ？ 《 》)以及部分虛詞[7]、助詞.通過對用戶問句分詞后查詢停用詞表，判斷分詞是否在停用詞表中，進(jìn)而決定分詞的保留或丟棄.停用詞在系統(tǒng)中也起到相當(dāng)重要的作用，停用詞的處理可以提升系統(tǒng)檢索效率，提高系統(tǒng)返回的準(zhǔn)確度.

圖3 系統(tǒng)框架圖

2.1.3 同義詞擴(kuò)展

藻飾詞是一種藏文詞匯的特殊的語言表達(dá)形式[8],有好幾個詞可選擇用于表達(dá)一個概念,這就有可能把思想感情表達(dá)得更加確切、細(xì)致,并可避免用詞重復(fù)[9]，類似中文中的同義詞.在中文問答系統(tǒng)中涉及到同義詞的擴(kuò)展,例如(計算機(jī)和電腦同義)，藏文問答系統(tǒng)可以借鑒西北民族大學(xué)研究生扎西草[10]研究的藏語藻飾詞信息庫構(gòu)建方法進(jìn)行同義詞庫的建設(shè).同義詞的擴(kuò)展有助于系統(tǒng)對信息的識別和提取.構(gòu)造的同義詞詞庫等輔助詞庫，或者是從語料庫中提取的同義詞，系統(tǒng)在檢索時通過對同義或者意思相近的詞處理，從而提高系統(tǒng)檢索準(zhǔn)確度和整體性能[11].

表1 停用詞表

2.1.4 問句類型分析

表2 擴(kuò)展詞示例

表3 常用疑問詞

2.2 信息檢索

對于信息檢索部分, 最簡單的方法是去掉問題中的停用詞和問句相關(guān)的詞(如疑問詞)生成查詢,然后利用已有的檢索模型進(jìn)行檢索, 把返回的結(jié)果作為答案提取部分的輸入[14].

信息檢索主要基于檢索模型，常用的信息檢索模型一般分為四類：布爾模型、模糊邏輯模型、向量模型及概率模型.實驗發(fā)現(xiàn)在文檔檢索中, 簡單的布爾模型、概率模型與改進(jìn)的向量空間模型的效果相當(dāng)[12～13].

本文將采用向量模型[14]對藏文問答系統(tǒng)進(jìn)行研究.

向量空間模型的基本思想是以詞為特征項，用向量來代表文本.如果庫中句子包含所有的詞為w1,w2,…wn，則庫中每一個句子都可用一個n維向量T=來表示，其中Ti(1≤i≤n)的計算方法為：設(shè)n為wi在句子中出現(xiàn)的個數(shù)，m為庫中含有wi的問句的個數(shù)，M為庫中問句的總數(shù)，其中,Ti=n×log(M/m).而且，我們可以計算目標(biāo)問句的n維向量T＇=.T和T＇對應(yīng)的兩個句子之間的相似度就可以利用T和T＇這兩個向量之間夾角的余弦值來表示，公式表示為：

(公式1)

公式所求相似度為兩個問句向量的余弦夾角.本方法只要考慮詞語在問句中出現(xiàn)的次數(shù)，不需要對文本內(nèi)容做深層理解.

2.3 答案抽取

在選取候選答案中挑選出與目標(biāo)最相似的問句返回給用戶.候選答案相似度的計算基于語義框架匹配，詞匯語義相似度計算采用計算語義相似度的計算方法[15],對于兩個詞U、V，如果U有a個詞義U1…Ua,V有b個詞義V1…Vb.U和V的相似度是每個詞義之間相似度的最大值：

(公式2)

通過計算得到相似度值最大的候選答案，把此答案作為最優(yōu)答案返回給用戶.

2.4 數(shù)據(jù)庫建設(shè)

本文系統(tǒng)的設(shè)計是基于受限領(lǐng)域知識庫的問答系統(tǒng)，所以檢索和抽取都依賴于知識庫來完成.構(gòu)建過程中數(shù)據(jù)的提供通常有多個數(shù)據(jù)庫完成，如：歷史問題庫、常用詞庫、領(lǐng)域知識庫.

表4 藏文問答系統(tǒng)中數(shù)據(jù)庫分類

歷史問題庫的建立是為了避免同樣的問題進(jìn)行重復(fù)的問答檢索，對已經(jīng)問過的問題放入歷史問題庫.用戶進(jìn)行問題輸入后，首先會在歷史問題庫中進(jìn)行模糊匹配，如果有相符記錄則返回答案，如果沒有相符記錄則進(jìn)行知識庫檢索.

常用詞庫分別存放藏文停用詞表、擴(kuò)展詞表、常用疑問詞表.在問題理解模塊對通用庫進(jìn)行調(diào)用.

知識庫建立過程中，主要內(nèi)容是面向受限領(lǐng)域的問題集.領(lǐng)域知識庫的建立好壞直接影響系統(tǒng)性能的好壞.所以在知識庫構(gòu)建時要做到分類清晰、層次分明.

3 評價指標(biāo)

通常問答系統(tǒng)需要一個評價機(jī)制來衡量它的性能，目前國際上對英文問答系統(tǒng)已有統(tǒng)一的評測機(jī)制，中文問答系統(tǒng)還沒有既定的標(biāo)準(zhǔn)，民族語問答系統(tǒng)在這方面更是欠缺.為了準(zhǔn)確地評價系統(tǒng)的性能，本文采用召回率(R)、準(zhǔn)確率(P)、F1值三個參數(shù)進(jìn)行性能評測，評測結(jié)果F1值越大代表系統(tǒng)性能越好.公式如下：

(公式3)

(公式4)

(公式5)

4 結(jié)論

目前，藏文問答系統(tǒng)研究還處于初級階段，沒有成熟的民族語問答系統(tǒng)模式可以借鑒，只能借鑒成熟的中英文等問答系統(tǒng)模式.由于藏文本身所具有的特殊性，在藏文問答系統(tǒng)的構(gòu)建不能完全地搬用成熟的中英文自然語言處理模式，所以對藏文問答系統(tǒng)的研究將會是一個長期的過程.

藏文信息處理過程中缺乏語言處理資源，知識庫的構(gòu)建將會是一個重要的工作.由于現(xiàn)在還沒有成熟的知識庫可以借用，知識庫的搭建是一個長期的過程.本文主要是從基于FAQ庫的藏文問答系統(tǒng)的框架構(gòu)建方式進(jìn)行分析，下一步將會對相應(yīng)的知識庫進(jìn)行構(gòu)建，并通過數(shù)據(jù)分析對系統(tǒng)構(gòu)建方案進(jìn)行評估.

問答系統(tǒng)作為目前最熱門的研究之一，眾多的企業(yè)和科研機(jī)構(gòu)加入了研究的行列，在社會生活中也得到了一定的應(yīng)用.伴隨信息化浪潮的推進(jìn)，問答系統(tǒng)將會有更廣闊的前景.藏文問答系統(tǒng)雖然起步較晚，但是藏文問答系統(tǒng)有很多值得研究的地方，也將會有很好的前景.

[1] 張丹.受限領(lǐng)域問答系統(tǒng)的研究與設(shè)計[D].內(nèi)蒙古大學(xué),2012.

[2] 吳友政,趙軍, 段湘煜, 等. 問答式檢索技術(shù)及評測研究綜述 [J]. 中文信息學(xué)報, 2005, 19(3): 1-13.

[3] 楊建武.智能問答(QA)技術(shù)[R].北京大學(xué)計算機(jī)科學(xué)技術(shù)研究所，2007,8-13.

[4] Quarteroni, S. and S. Manandhar. A Chatbot-Based Interactive Question Answering System[J].In DECALOG'07, 2007.

[5] 王樹西.問答系統(tǒng)：核心技術(shù)、發(fā)展趨勢[J].計算機(jī)工程與應(yīng)用，2005，41(18).

[6] 祁坤鈺.信息處理用藏文自動分詞研究[J].西北民族大學(xué)學(xué)報(哲學(xué)社會科學(xué)版),2006,(4):92-97.

[7] 才讓三智.藏語虛詞知識庫構(gòu)建研究[D].西北民族大學(xué)碩士研究生學(xué)位論文，2012.

[8] 張同玲,多杰卓瑪.藻飾詞語義網(wǎng)絡(luò)的構(gòu)建研究[J]. 電腦開發(fā)與應(yīng)用，2011,(24):25-27.

[9] 高丙辰.藏文藻飾詞淺說[J].民族語文,1980,44-52.

[10] 扎西草.藏文藻飾詞信息庫構(gòu)建研究[D].西北民族大學(xué),2014.

[11] 張興華. 智能搜索引擎的機(jī)理,實現(xiàn)技術(shù)及發(fā)展趨勢[J].現(xiàn)代情報, 2003,12,66-67.

[12] Moldovan D, Pasca M, Harabagiu S, et al. Performance issues and error analysis in an open-domain question an-swering system[J].ACM Transactions on Information Systems, 2003, 21(2): 133-154.

[13] Tellex S, Katz B, Lin J, et al. Quantitative evaluation of passage retrieval algorithms for question answering[C]//Proceedings of the 26th Annual International ACM SIGIRConference on Research and Development in InformationRetrieval (SIGIR ’03). New York, NY, USA: ACM, 2003,41-47.

[14] XinLi, Dan Roth. The Role of Semantic Information in Learning Question Classifiers. In First International Conference on Natural Language Processing[J].Sanyacity,Hainan Island,China,2004,451-458.

[15] 蔡剛山,葉俊,周曼麗.基于多級檢索的自動問答系統(tǒng)研究[J].科學(xué)技術(shù)與工程,2007,7(4):501-505.

2015-05-20

西北民族大學(xué)研究生科研創(chuàng)新項目(Yxm2014040).

孫浩蒸(1986—)，男，山東棗莊人，碩士研究生，主要從事自然語言處理方面的研究.

TP391.1

A

1009-2102(2015)02-0045-06