Institute of Information Science
語言與知識處理實驗室
Principal Investigators:
許聞廉 Wen-Lian Hsu(Chair) 王新民 Hsin-Min Wang 古倫維 Lun-Wei Ku
陳克健 Keh-Jiann Chen 莊德明 Juang, Der-Ming

[ 相關網站 ]
文獻處理實驗室詞庫小組實驗室機器學習與分類實驗室智慧型代理人系統實驗室
語音語言與音樂處理實驗室

[研究群介紹]
大量資訊以多媒體的形式在網路世界散佈,為了達到智 慧型的資訊處理,知識為本的訊息處理是本計劃的核心焦 點,我們進行三個主要長期研究方向:知識擷取,知識應 用及知識表達。
一、 知識擷取
我們期望由計畫中發展的語言處理技術配合擷取的知識能 自動的分析WWW中的大量文本,從中抽取語言知識及一般常識。
1. 建構本體、語言及常識知識庫
我們在過去二十多年發展了中文處理基礎建設為未來的 自動化知識建構打下基礎。這些基礎建設包含標記語料 庫、句結構樹資料庫、詞彙庫、中文語法、知識地圖、 廣義知網、中文字構形資料庫、詞彙分析系統及句剖析 器等。我們將利用完成的詞彙知識架構「廣義知網」與 中文剖析器來自動分析並抽取網路文件中隱含的語言知 識及領域訊息,構建概念知識架構並建立領域知識庫及 中文詞彙知識庫。我們將連結不同的知識庫形成ㄧ個完 整的知識網ConceptNet以提高計算機推理及語言了解能 力。
2. 機器學習與模版分類
為了能夠將機器學習方法應用於大型的資料,我們必須 提升這些方法的可擴充性。目前有三個瓶頸:訓練資料 的數量,特徵的數量,以及類別的數量。對此,我們分 別提出了(1)以決策樹分割的方法來加速支持向量機 的訓練。此方法可以得到千倍的 加速效益而仍然維持分類的正確 率。(2)以多重特徵子集的方法 來排列與選取特徵。此方法的學 習速度遠高於目前最佳的遞迴消 除法(RFE)。它所獲致的分類 正確性,以及選取到關鍵特徵的 數量也比後者好。(3)調適性原 型學習方法。此方法特別適用於類別很多的應用。我們 將延續文件影像分析與光學文字辨識的研究,並且加入 自然語言的研究。
排版插圖 3. 以模版技術為基礎的資訊擷取
適當的語意模版有助於從文句中擷取名詞,及其名詞間 的關係。我們採取了兩個策略來克服初始階段需要人 工導入的問題:(一)利用維基百科的大量資料當做基 底,我們提出了一套方法來檢定模版的效能一致性;( 二)我們採用一個weakly-supervised的方式,將抽取 出來沒有意義的資訊剃除,藉此來提升資料抽取的正確率。
二、 知識應用
我們所發展的注音自動轉國字的軟體─自然輸入法,正確 率接近96%,曾獲得1993年傑出中文資訊產品獎,已經普遍 受到大眾的歡迎與接受。最近我們朝著更加國際化的方向 前進,以針對常用字串「搜尋」為概念,發展中英文「快 打」輸入法。未來,除了文本處理外也將發展口語處理技 術以支援不同的應用系統。
1. 知識為本的中文語言處理技術
我們將發展強健型的中文結構剖析及語義分析系統,注 重以概念為中心的中文處理技術,將利用所發展的「廣 義知網」詞彙知識架構及自動抽取得到的統計、語言語 法及常識訊息作為基礎知識用於分析文件的概念結構, 並發展語義自動合成技術以瞭解文件的意義。
排版插圖 2. 多媒體音訊分析及檢索技術
我們的研究目標是開發多媒體音訊分析、 抽取、辨識、索引及檢索技術。在語音方 面,我們的研究著重在語音辨識、語者辨 識/分段/分群、語音文件檢索/摘要。我 們的語者確認系統在2006 International Symposium on Chinese Spoken Language Processing獲得第二名的佳績。 在音樂方面,我們的研究著重在歌聲旋律 抽取、哼唱式音樂檢索、音樂標籤預測、 基於標籤之音樂檢索。我們的標籤預測 系統在2009 Music Information Retrieval Evaluation eXchange (MIREX2009)獲得 第一。
3. 中文自然語言問答系統
中文自然語言問答是一項嶄新 而充滿挑戰性的研究議題。 我們結合了實驗室各種中文技 術,如問題理解、文句擷取、 專有名詞辨識、候選答案排序、語意模板等,研發出一套問答系統。 這套系統在2007年日本東京NTCIR舉辦的第二屆中文問答系統競賽 中,以55.3%正確率蟬聯第一名。
4. 專有名詞辨識
在文件中標註出人名、地名、機構名等專有名詞極為重要,我們以機 器學習為基礎所開發的專有名詞辨識系統,在2006 SIGHAN中文專有 名詞辨識競賽中取得第二名。在2009年國際蛋白質名詞搜尋賽中,榮 獲第一名。在近期的研究中,利用馬可夫邏輯網路將基因/蛋白質專 有名詞正規化系統與專有名詞辨識元件整合,有效提升專有名詞辨識 與去歧異化的正確率。
5. 中文文本蘊涵
文本蘊涵是近年來自然語言處理領域中一個新興且極具挑戰性的題 目。藉由深度的語意語法分析,系統能精確的辨認出兩文本之間的推 論關係。本研究群整合現有的自然語言工具及資源,研發出一套中文 文本蘊涵辨識系統,在2011年日本東京NTCIR,取得了第二名的成 績。
三、知識表達
我們將研究知識架構的基礎理論及細緻語意的表達模式。 藉由分析近義 詞的細微差別來找出細緻語意的表達方式及語意的合成機制。我們將改 善並整合當下最重要的一些知識架構如詞網、知網及事件框架網,以達 到較佳的整合知識表達系統。我們也將研究知識邏輯及推理與知識結構 整合的完整架構並應用於自動推理。希冀在廣義知網的本體架構下短語 或句子的語意可以由詞彙語義合成。

相關資訊

Academia Sinica 資訊科學研究所 Academia Sinica