Elaborazione del linguaggio naturale automi & morfologia Maria Teresa PAZIENZA 1

Programma generale Breve introduzione all’NLP Linguaggi Naturali e Linguaggi Formali Complessità Morfologia Teoria: Morfologia del Linguaggio Naturale Strumenti: Automi e Trasduttori Analisi Morfologica: con automi e trasduttori Part of Speech Tagging Teoria: Le classi morfologiche Strumenti a Analisi: modelli a regole e statistici Sintassi Teoria: Sintassi del Linguaggio Naturale Strumenti: CFG Analisi Sintattica: parsing top-down, bottom-up, Early Semantica Lexical Semantics Sentence Semantics

PERCHE’ E’ IMPORTANTE L’ NLP ? Obiettivi dell’NLP L’ Elaborazione del Linguaggio Naturale (Natural Language Processing, NLP) ha come obiettivo principale: la costruzione di modelli e di strumenti informatici in grado di eseguire specifici task riguardanti il Linguaggio Naturale, quali: Permettere la comunicazione uomo – macchina Migliorare la comunicazione uomo – uomo Elaborare e manipolare oggetti linguistici a qualunque livello di granularità PERCHE’ E’ IMPORTANTE L’ NLP ? Sempre maggiore quantità di conoscenza condivisa in testi in Linguaggio Naturale machine readable (ES: sul Web) Necessità di un’interazione più diretta uomo-macchina (ES: agenti intelligenti) Intro

Cosa serve ? CONOSCENZA LINGUISTICA: tutta la conoscenza che ha a che vedere con il linguaggio (conoscenza relativa a ciò che significhi essere una parola): Cos’è una parola? Quali sono le regole per costruire una frase? Qual è il significato di un sintagma? MODELLI (teorie): i modelli linguistici hanno lo scopo di catturare la conoscenza linguistica e rappresentarla in una forma comprensibile per il computer ALGORITMI: strumenti per manipolare i modelli e le strutture linguistiche necessarie per l’analisi e la comprensione del linguaggio (algoritmi per la gestione di grafi) Intro

Cosa serve? Modelli Intro MODELLI PROCEDURALI: Automi a Stati Finiti Trasduttori a Stati Finiti Markov Models … … MODELLI DICHIARATIVI: Grammatiche regolari Context Free Grammar … … MODELLI LOGICI: Calcolo dei Predicati Logica del Primo Ordine … … Solitamente un modello procedurale ha una sua controparte in un modello dichiarativo (ad es. automi – grammatiche regolari) Un modello può essere più o meno complesso da un punto di vista computazionale (ad es. le Context Free Grammar sono più complesse di quelle Regolari) Nei diversi modelli possono generalmente essere integrati elementi di probabilità (modelli probabilistici) Cosa devono fare i modelli ? Che analisi devono portare a termine ? Intro

Livelli di analisi del Linguaggio Naturale I sistemi di NLP possono operare a diversi livelli di analisi, ognuno dei quali richiede una specifica conoscenza linguistica . FONETICA: studio dei suoni linguistici MORFOLOGIA: studio delle componenti significative di una parola SINTASSI: studio delle strutture relazionali tra le parole SEMANTICA: studio del significato PRAGMATICA: studio di come il linguaggio è usato per raggiungere obiettivi ANALISI DEL DISCORSO: studio di unità linguistiche complesse Una architettura per L’NLP può portare a termine uno o più livelli di analisi, generalmente in cascata Intro

Livelli di analisi: un esempio David : - Apri la saracinesca esterna, Hal. Hal : - Mi dispiace David, purtroppo non posso farlo. FONETICA: Hal deve essere in grado di analizzare il segnale audio e ricostruire la giusta sequenza delle parole MORFOLOGIA: Hal deve saper rispondere con la giusta flessione: ad esempio posso e non puoi SINTASSI: Hal deve sapere che la saracinesca esterna è un sintagma nominale complemento oggetto di apri, e che la frase di David è corretta SEMANTICA: Hal deve sapere cos’è una saracinesca, e cose vuol dire aprire qualcosa (in generale ed aprire una saracinesca in particolare) PRAGMATICA: Hal deve saper rispondere cortesemente a David ANALISI DEL DISCORSO: Hal risponde farlo riferendosi a una frase del discorso precedente, quindi domina un segmento maggiore della frase Intro

Linguaggio Naturale e Linguaggi Formali Cos’è il Linguaggio Naturale ? Strumento di comunicazione tra persone; Fatti, idee e conoscenze (sul mondo esterno ed interiore) Emozioni Ordini E’ ambiguo! (“La vecchia porta la sbarra”) Cos’è un Linguaggio Formale ? Dato un insieme di simboli  detto alfabeto, un linguaggio formale è un sottoinsieme di tutte le possibili concatenazioni dei simboli: L  * Un linguaggio formale non è ambiguo (una concatenazione di simboli ha una interpretazione univoca) ed esprime le sue regole in maniera canonica Un elaboratore può riconoscere e generare solo Linguaggi Formali, attraverso l’utilizzo di modelli e algoritmi Intro

Linguaggi Formali L={ba,baa,baaa,baaaa,….} Intro ESEMPIO ={a,b} *={a,b,aa,ab,ba,bb,aa,baba,baaab,….} L={ba,baa,baaa,baaaa,….} Come definire il linguaggio L senza enumerare tutte le stringhe? Modello procedurale: automi, regole formali … Modello dichiarativo: grammatiche Intro

Linguaggi Formali e grammatiche Una grammatica può essere informalmente intesa come un insieme di regole per interpretare/generare un linguaggio formale iniziando da un simbolo iniziale applicando regole che indichino come rimpiazzare alcune sequenze di simboli con altre combinazioni di simboli (derivazioni) ESEMPIO L={ba,baa,baaa,baaaa,…….} S  Aa A  b A  Aa Intro

Linguaggi Formali e grammatiche Una grammatica può essere informalmente intesa come un insieme di regole per interpretare/generare un linguaggio formale iniziando da un simbolo iniziale applicando regole che indichino come rimpiazzare alcune sequenze di simboli con altre combinazioni di simboli (derivazioni) Formalmente: Una grammatica è una quadrupla (N, ,S, P) dove: N è l’alfabeto dei simboli non-terminali  è l’alfabeto dei simboli terminali S è elemento di N detto simbolo iniziale P è un insieme finito di produzioni, ovvero: se V è definito come N  Σ , allora le produzioni di P hanno la forma , dove V+ V* Intro

Linguaggi Formali e grammatiche Un linguaggio formale è un insieme di stringhe Un linguaggio formale non è un linguaggio naturale, ma può essere usato per modellare parte di un linguaggio naturale Un linguaggio formale può essere più o meno complesso, ed essere quindi computazionalmente più o meno esigente. Intro

Linguaggi Formali: complessità La gerarchia di Chomsky è un tentativo di ordinare le grammatiche che generano i linguaggi in base alla loro complessità GERARCHIA DI CHOMSKY Type 0 Grammars - Unrestricted a ® b, |a| ³ 1 and |b| ³ 1. Type 1 Grammars - Context-Sensitive a ® b, |a| ³ 1 and |b| ³ 1 and |a| £ |b| Type 2 Grammars - Context-Free a ® b, |a| = 1 and |b| ³ 1 Type 3 Grammars - Regular left-linear regular grammar: (A ® a or A ® Ba) right-linear regular grammar: (A ® a or A ® aB) + + POTERE GENERATIVO COMPLESSITA’ - - Intro

Linguaggi Formali: complessità Le grammatiche sono modelli dichiarativi I corrispondenti modelli procedurali sono: Type 0 Grammars - Unrestricted Turing Machine Type 1 Grammars - Context-Sensitive Type 2 Grammars - Context-Free Push-down automaton Type 3 Grammars - Regular Finite State Automaton (FSA) Intro

Linguaggi Formali: complessità DOMANDA: Il Linguaggio Naturale può essere rappresentato attraverso un Linguaggio Formale ? Se si, un Linguaggio Formale di quale complessità ? Quanto è complesso il Linguaggio Naturale ? Intro

Linguaggi Formali e Linguaggio Naturale … dipende da quale linguaggio naturale …. un livello alto nella gerarchia vuol dire che il linguaggio naturale è strutturalmente complesso (Tipo 0) ITALIANO In generale, sembrerebbe “catturabile” da una Grammatica Regolare (Tipo 3) ECCEZIONE: costrutti “center-embedded”. Ad esempio: “Moggi, Giraudo e Bettega erano rispettivamente DG, amministratore delegato e vicepresidente della Juventus” ha struttura an bn Sembrerebbe quindi un linguaggio più complesso, ovvero Context-Free (Tipo 2) E’ più complesso? No, perché sembra non avere costrutti del tipo anbncn Intro

Linguaggi Formali e Linguaggio Naturale L’italiano è quindi un linguaggio mediamente complesso (Tipo 2) E gli altri linguaggi naturali ? Inglese: Context-Free Tipo 2 Olandese: Context-Sensitive Tipo 1 (Huybregt,1976) presenta costrutti “cross-serial”. Ad esempio: “dat Jan Marie Pieter Arabisch laat zien schrijven” (*THAT JAN MARIE PIETER ARABIC LET SEE WRITE) ‘that Jan let Marie see Pieter write Arabic’ Intro

Linguaggi Formali e Linguaggio Naturale La sintassi italiana e quella inglese sembrano essere Context-Free La morfologia, invece, sembra essere ancora più semplice: può essere infatti rappresentata da grammatiche Regolari QUINDI, NEL CORSO VEDREMO: MORFOLOGIA  Automi a Stati Finiti (FSA) Tipo 3 SINTASSI  Grammatiche Context-Free (CFG) Tipo 2 Intro

Morfologia Morfologia La morfologia è lo studio di come le parole sono costruite a partire da unità atomiche dette morfemi. I morfemi sono le più piccole unità linguistiche che possiedono un significato. Ne esistono due classi: Radice  il morfema che dà il significato principale alla parola Affisso  il morfema che dà significato aggiuntivo alla parola ESEMPIO radice gatt–o gatt–i acquist-o acquist-are affisso Morfologia

Analisi Morfologica: Automi a Stati Finiti Strumenti per l’analisi morfologica : Automi a Stati Finiti (FSA)  Riconoscimento Finite State Transducers (FST)  Parsing RICONOSCIMENTO : indica se una data parola in input è morfologicamente corretta o no (ad esempio gatti è corretta, gattare è scorretta) PARSING : produce un’analisi morfologica della parola in input (ad esempio gatti  gatto N PL) Sia FSA che FST sono di tipo 3 nella gerarchia di Chomsky: l’analisi morfologica può essere quindi portata a termine con strumenti relativamente poco complessi Morfologia

Analisi Morfologica: qualche esempio Un analizzatore morfologico completo dovrebbe essere in grado di riconoscere la classe (nomi, verbi, ecc.) delle parole e la loro morfologia: house house+N+SG houses house+N+PL went go+V+PastTense+123SP play play+V+Pres+non3SG played played+A+VPap miaow miaow+Onomatop Morfologia

Espressioni regolari Espressione regolare: notazione algebrica per descrivere un insieme di stringhe Una Espressione Regolare descrive un FSA Un FSA implementa un’espressione regolare Le espressioni regolari sono un (meta)linguaggio per specificare “stringhe di caratteri” (per una ricerca sul web per es., così come per una qualunque applicazione di information retrieval, per sistemi di word processing, calcolo della frequenza di termini in corpora, etc.). La ricerca di una espressione regolare identifica un pattern specifico che si vuole ricercare ed un corpus di testi all’interno del quale effettuare la ricerca. Come risultato si ottengono - tutti quei testi che contengono quel pattern -. Una espressione regolare è una formula in un linguaggio speciale (notazione algebrica) usato per specificare semplici classi di stringhe. Una stringa è una sequenza di simboli (caratteri alfanumerici – anche lo spazio viene considerato un carattere)

Espressioni regolari Espressione regolare: notazione algebrica per descrivere un insieme di stringhe Operatori base: *  zero o più occorrenze del carattere precedente (ciò che è racchiuso tra [ ] ) (Kleene *) +  una o più occorrenze del carattere precedente (ciò che è racchiuso tra [ ] ) (Kleene +) ?  zero o una occorrenze del carattere precedente (ciò che è racchiuso tra [ ] ) [a|A]  disgiunzione di simboli [a-A]  range di simboli Esempi: a* si deriva che L={e,a,aa,aaa,…} [ab]+ si deriva che L={a,b,aa,bb,ab,ba,…} altri esempi sul libro…. Le espressioni regolari sono case sensitive La stringa di caratteri tra parentesi specifica una disgiunzione di caratteri da trovare

Automi a Stati Finiti (FSA) Un automa a stati finti è un automa in grado di riconoscere o di generare una sequenza di simboli (stringa) di un alfabeto. Formalmente: Un FSA è un grafo orientato i cui nodi sono detti stati e i cui archi sono detti transizioni Caratteristiche principali: molto efficienti (tipo 3 nella ger. di Chomsky) facili da implementare Ogni FSA implementa una espressione regolare Ogni espressione regolare descrive un FSA Ogni FSA descrive un linguaggio regolare ESPRESSIONI REGOLARI Utilizzi principali in linguistica: Riconoscimento morfologico Fonetica Text-to-Speech LINGUAGGI REGOLARI FSA 24

FSA: semplice esempio FSA FSA per riconoscere e generare sequenze di simboli appartenenti al linguaggio (regolare) delle caprette inglesi, descritto dall’espressione regolare: /baa+!/. In figura un automa che modella tale espressione regolare. SIMBOLO STATO FINALE TRANSIZIONE STATO STATO INIZIALE FSA come riconoscitore: riconosce/accetta tutte le stringhe in input del tipo baa! , baaa! , baaaa!, … …qualunque altra stringa viene rigettata (reject). FSA come generatore: genera tutte le stringhe del tipo baa! , baaa!, baaaa!, … … FSA 25

FSA: definizione formale Un FSA è definito dai seguenti 5 parametri: Q : un insieme finito di N stati q0….qN Σ : un alfabeto finito di simboli q0 : lo stato iniziale F : un insieme di stati finali FQ δ(q,i) : relazione di transizione tra stati che restituisce un nuovo stato a partire da un dato stato e un simbolo in input; δ è una relazione da Qx Σ a Q Un FSA può essere anche rappresentato attraverso una state-transition table FSA

FSA e linguaggi formali L’insieme delle stringhe riconosciute (o generate) da un FSA definiscono un linguaggio formale. LINGUAGGIO FORMALE (L): insieme di stringhe composte da simboli appartenenti a un insieme finito di simboli Σ detto alfabeto L’insieme delle stringhe riconosciute da un FSA costituisce il linguaggio accettato dall’automa L’insieme delle stringhe generate da un FSA costituisce il linguaggio generato dall’automa Per un FSA, il linguaggio generato e quello accettato corrispondono ESEMPIO Σ = {a,b,!} L = {baa!,baaa!,baaaa!,….} FSA

FSA e linguaggi regolari Un FSA (o un’espressione regolare) può definire un sottoinsieme particolare dei linguaggi formali, i linguaggi regolari LINGUAGGIO REGOLARE (L): Dato un alfabeto : L’insieme vuoto  è un linguaggio regolare a    , {a} è un linguaggio regolare Se L1 e L2 sono linguaggi regolari, allora lo sono anche: L1 · L2 = {xy|x  L1,y  L2}, concatenazione di L1 & L2 L1  L2, unione di of L1 e L2 L1*, la Kleene closure (o ripetizione) di L1 FSA

FSA e linguaggi regolari LIMITI: I linguaggi regolari hanno un basso potere generativo (tipo 3) Ad esempio, dato l’alfabeto Σ={a,b}, nessun FSA può generare stringhe del tipo anbn (a fronte della definizione slide precedente) Gli FSA modellano quindi bene fenomeni linguistici semplici come: Morfologia Fonetica Gli FSA non possono modellare fenomeni linguistici complessi come: Sintassi ESEMPIO (english) The cat likes tuna fish The cat the dog chased likes tuna fish The cat the dog the rat bit chased likes tuna fish The cat the dog the rat the elephant admired bit chased likes tuna fish L = xn yn-1 likes tuna fish. FSA

FSA come riconoscitori SCOPO: Data una stringa in input verificare se essa appartiene al linguaggio formale definito dall’automa. ALGORITMO DI RICONOSCIMENTO indice  inizio stringa in input Stato-corrente  q0 WHILE (input) IF vuota(trans-table[stato-corrente,stringa[indice]]) return reject ELSE stato-corrente trans-table[stato-corrente,stringa[indice]] indice  indice +1 IF (stato-corrente è stato finale) return accept ELSE return reject (non esiste alcuna transizione legale per una data combinazione di stato ed input) FSA

Sommario Strumenti per la Morfologia Automi a stati finiti (FSA) FSA deterministici FSA non-deterministici (NFSA) Introduzione alla Morfologia FSA e Morfologia: riconoscimento Trasduttori a stati finiti (FST) Cosa sono FST e Morfologia: parsing

FSA: semplice esempio FSA FSA per riconoscere e generare sequenze di simboli appartenenti al linguaggio (regolare) delle caprette, descritto dall’espressione regolare: /baa+!/ SIMBOLO STATO FINALE TRANSIZIONE STATO STATO INIZIALE FSA : il suo comportamento durante la fase di riconoscimento è totalmente determinato dallo stato in cui si trova e dal simbolo in arrivo. FSA 32

Automi a Stati Finiti deterministici o non deterministici (DFSA, NFSA) Negli automi non deterministici (NFSA) possono esistere degli stati che prevedono più di una possibile transizione per passare ad uno stesso stato, ovvero esistono dei punti in cui bisogna prendere una decisione. Gli automi DFSA, invece, sono automi il cui comportamento durante la fase di riconoscimento è totalmente determinato dallo stato in cui si trova e dal simbolo con cui si è giunti a quello stato. 33

FSA non-deterministici (NFSA) Un automa è detto non-deterministico se ha due archi uguali uscenti dallo stesso stato. Quindi: Deterministico vuol dire che ad ogni stato può essere presa una sola decisione Non-Deterministico vuol dire che ad ogni stato si può scegliere tra più decisioni Equivalenza tra FSA e NFSA Un NFSA può essere sempre convertito in un FSA equivalente (che definisce cioè lo stesso linguaggio) NFSA e FSA hanno quindi lo stesso potere di riconoscimento/generazione L’FSA equivalente di un NFSA ha sempre più stati dell’NFSA NFSA

FSA non-deterministici (NFSA) Un tipo particolare di non-determinismo è quello causato dalla presenza di ε- transizioni (o jump arcs) ovvero da archi/transizioni non legati ad alcun simbolo ingresso. ε Una ε-transizione corrisponde ad un passaggio di stato che non influenza la stringa in esame: - in riconoscimento: non viene letto il simbolo corrente della stringa in generazione: non viene prodotto alcun simbolo In questo caso si introduce una forma di non determinismo in quanto non si sa se seguire la transizione ε oppure l’arco ! NFSA

FSA non-deterministici (NFSA) Un tipo particolare di non-determinismo è quello causato dalla presenza di ε-transizioni (o jump arcs) ovvero da archi/transizioni non legati ad alcun simbolo ingresso. Possibili soluzioni: Backup: inserire un marker per indicare un punto su cui siamo già passati Look-ahead: guardare avanti per decidere quale percorso scegliere Parallelismo: in uno stato con più scelte, verificare in parallelo percorsi alternativi NFSA 36

FSA non-deterministici (NFSA) Algoritmo di backup: quando si raggiunge un punto con nessuna possibilità di andare avanti (no input oppure nessuna transizione legale), si ritorna al precedente punto di decisione , si selezione una delle alternative ancora non esplorate, e si continua da quella fase. In questo NFSA, per ciascun punto di scelta, bisogna solo ricordare lo stato in cui ci si trova (nodo) e la posizione corrispondente sul nastro in input. La combinazione di «stato» e «posizione del nastro» corrispondente (search-state) nel suo insieme costituisce lo spazio di ricerca

FSA non-deterministici: ricerca Riconoscimento: negli stati non-deterministici l’FSA può seguire strade diverse, ovvero prendere decisioni errate. In tal caso deve essere in grado di: Riconoscere la soluzione errata; Cercare altre soluzioni prendendo strade diverse; Ricordare quali sono le strade diverse L’automa deve quindi effettuare una ricerca nello spazio delle soluzioni (state-space search) Ad ogni bivio (choice point) devono quindi essere memorizzate in una agenda tutte le coppie di stati alternativi e la posizione nella stringa dopo la transizione δ (search-states) SEARCH STATES STATO CORRENTE q3, [b,a,a,a,a] q2, [b,a,a,a,a] q2, [b,a,a,a,a] NFSA

Ricerca in NFSA: esempio b a a a ! \ q0 q1 q2 q2 q3 q4 NFSA

Ricerca in Profondità NFSA: esempio

Ricerca in Profondità NFSA: esempio

Ricerca in Profondità NFSA: esempio

Ricerca in Profondità NFSA: esempio

Ricerca in Profondità NFSA: esempio

Ricerca in Profondità NFSA: esempio

Ricerca in Profondità NFSA: esempio

Ricerca in Profondità NFSA: esempio

Ricerca in Ampiezza NFSA: esempio

Ricerca in NFSA: algoritmo di ricerca

Ricerca in NFSA: algoritmo di ricerca L’algoritmo produce in uscita un reject solo quando l’agenda diventa vuota (quindi non alla fine del nastro in uno stato di non-accettazione, nè per affermare che il nastro non può avanzare in un nuovo stato). Essendo in una situazione di non-determinismo, si indica un errore in un dato percorso, non un insuccesso totale. Si rigetta una stringa solo quando tutte le scelte possibili sono state prese in esame e si è arrivati ad un insuccesso. Lo spazio degli stati consiste di tutte le coppie possibili (stato, posizione); la ricerca avverrà navigando attraverso questo spazio cercando una coppia con stato accept e posizione fine nastro. Ruolo dell’ordine con cui avviene la ricerca (si possono esaminare molte situazioni non utili prima di incontrare quella corretta). (profondità verso ampiezza, stack verso coda)

Argomenti trattati in questa lezione Analisi del linguaggio naturale: tipologia, livelli Linguaggi formali (grammatiche, complessità) FSA, FST, espressioni regolari DFSA, NFSA ε-transizioni (o jump arcs) state-space search

Elaborazione del linguaggio naturale Le presentazioni sugli argomenti di elaborazione del linguaggio naturale fanno in alcuni passi riferimento ad alcune presentazioni dei colleghi prof. Fabio Massimo Zanzotto e dottor Marco Pennacchiotti, oltre che ad alcune parti del libro: Speech and Language Processing, Prentice Hall, 2000, autori D.Jurafsky, J. H. Martin. 52