[发明专利]自然语言处理方法与其计算装置

说明书

本发明公开了一种自然语言处理方法，其特征在于，包含：接收多个输入字；以及根据一数据库内的多个集合，简化该多个输入字，以形成一或多个主体词数据结构，其中该一或多个主体词数据结构之一包含该多个输入字之中的一第一输入词与一第二输入词，其中该多个集合之一包含该第一输入词与该第二输入词的搭配关系，其中该第一输入词与该第二输入词的该搭配关系包含一搭配属性，用于记载在训练语料中该第一输入词与该第二输入词出现的强度。

技术领域

本申请系关于自然语言处理，特别系关于利用计算器以简化方式来处理自然语言。

背景技术

传统的自然语言分析工具(如剖析器，中文断词等)比较偏重语法，然而有些语言(譬如：中文)文法相当松散，网络上的口语夹杂着大量的省略，次序调换和不合文法的语句，学术界正规训练的剖析系统很难处理，必需考虑大量的语意讯息才能进行正确的剖析，了解句意。即便是最基本的中文的断词系统，没有适度考虑语意，也可能犯下许多莫名的错误。譬如：一台大冰箱；还要几张才够？(错误的断词由“台大”和“张才”这两个专名造成)。

在现代人经常使用的电子产品当中，自然语言的语音输入以及语音输出已经成为重要的输入及输出方法，也是控制电子计算器的人机接口之一。因此，需要一种能够较为正确地判断句子语意的方法，以便能够正确地从输入的音节当中选字、剖析不合乎文法的口语化语言，进一步能够进行较正确的机器翻译，或者将结果以自然语言输出。

发明内容

本发明是为了更正确的自然语言的语意分析，以便能够在多个可能的文意当中较为准确地找出正确的文意，本申请提供一种自然语言处理方法与用于自然语言处理的计算装置，透过数据库内的搭配关系和标签序列，利用递归的方式将输入的语句简化成依存剖析树所构成的语意结构。当可以形成上述的语意结构时，表示语意分析出的文意无误。

为了实现上述目的，本发明采用了如下技术方案：

由于词与词之间的多个搭配关系是否存在于数据库内可以是事先已知的，因此当计算器实行该自然语言处理方法，其结果是确定性的(deterministic)。此外，由于是利用递归(recursive)的方式来进行简化，不是利用穷举的方式来考虑所有可能性，所以可以减少该自然语言处理方法的计算复杂度。再者，该自然语言处理方法的简化不是单纯地利用词性的组合进行简化，也不局限于相邻的N个字组成的N-gram次数或频率进行简化，而是可以根据语境所指涉的语意的搭配关系来进行简化，使得语意结构可以是有意义的。

根据本申请的一面向，提供一种自然语言处理方法，包含：接收多个输入字；以及根据一数据库内的多个集合，简化该多个输入字，以形成一或多个主体词数据结构，其中该一或多个主体词数据结构之一包含该多个输入字之中的一第一输入词与一第二输入词，其中该多个集合之一包含该第一输入词与该第二输入词的搭配关系，其中该第一输入词与该第二输入词的该搭配关系包含一搭配属性，用于记载在训练语料中该第一输入词与该第二输入词出现的频率、次数或强度。

更进一步的，为了简化具有多个搭配词的主体词，其中该主体词数据结构之一包含该多个输入字之中的一第三输入词，其中该多个集合之另一集合包含该第二输入词与该第三输入词的搭配关系，其中该主体词数据结构包含一树状结构，该第一输入词为该树状结构的根节点，该第二输入词为该第一输入词的子节点，该第三输入词为该第二输入词的子节点。

更进一步的，为了简化具有词组或子句的主体词，其中该主体词数据结构之一包含该多个输入字之中的一第三输入词，其中该多个集合之另一集合包含该第一输入词与该第三输入词的搭配关系，其中该主体词数据结构包含一树状结构，该第一输入词为该树状结构的根节点，该第二输入词为该第一输入词的子节点，该第三输入词为该第一输入词的子节点。

更进一步的，为了弥补数据库内所含的搭配关系不足，可以利用主体论来形成搭配关系，其中该多个主体词数据结构之另一包含该多个输入字之中的一第三输入词与一第四输入词，该第三输入词与该第四输入词分别对应到主体论的同一阶层或上下阶层，该多个集合当中并不包含该第三输入词与第四输入词的搭配关系。