search query: @supervisor Kurimo, Mikko / total: 15
reference: 8 / 15
Author: | Grönroos, Stig-Arne |
Title: | Semi-supervised induction of a concatenative morphology with simple morphotactics: A model in the Morfessor family |
Puoliohjattu konkatenatiivisen morfologian oppiminen yksinkertaisella morfotaksilla: Morfessor-malliperheen jäsen | |
Publication type: | Master's thesis |
Publication year: | 2014 |
Pages: | ix + 74 Language: eng |
Department/School: | Perustieteiden korkeakoulu |
Main subject: | Informaatiotekniikka (T-61) |
Supervisor: | Kurimo, Mikko |
Instructor: | Virpioja, Sami ; Smit, Peter |
Electronic version URL: | http://urn.fi/URN:NBN:fi:aalto-201405221894 |
OEVS: | Electronic archive copy is available via Aalto Thesis Database.
Instructions Reading digital theses in the closed network of the Aalto University Harald Herlin Learning CentreIn the closed network of Learning Centre you can read digital and digitized theses not available in the open network. The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/ You can read theses on the Learning Centre customer computers, which are available on all floors.
Logging on to the customer computers
Opening a thesis
Reading the thesis
Printing the thesis
|
Location: | P1 Ark Aalto | Archive |
Keywords: | morphene segmentation machine learning language modeling probabilistic modeling semi-supervised learning information retrieval morfeemipilkonta morfologian oppiminen koneoppiminen kielimallit ohjaamaton oppiminen tiedonhaku |
Abstract (eng): | Machine learning methods are increasingly applied to automated processing of natural language data. One motivation for this stems from the different amounts of resources available to languages: knowledge-heavy manual approaches are only available for well-resourced languages. Morphological segmentation, the splitting of words into their smallest meaning-bearing components, is an essential task in automatic processing of compounding and highly-inflecting languages. In these languages, the number of unique word forms may be very large, causing problems for word-based language models. This thesis presents Morfessor FlatCat, a new method in the Morfessor family of methods for learning morphological segmentations of words. Morfessor FlatCat hybridizes two existing Morfessor methods, combining the hidden Markov model morphotactics from Morfessor Categories-MAP with the semi-supervised training previously applied to Morfessor Baseline. The semi-supervised training is enabled by the use of a flat instead of a hierarchical lexicon. The morphotactics help the model avoid using correct morphs in incorrect positions, such as splitting the English suffix "s" from the beginning of a word. Semi-supervised learning allows using small amounts of annotated data for significant improvements when evaluated against gold standard segmentations. Our experiments show that while unsupervised FlatCat does not reach the accuracy of Categories-MAP, FlatCat provides state-of-the-art results for English and Finnish, when trained in a semi-supervised manner. Information retrieval experiments demonstrate the applicability of FlatCat to a natural language processing task. |
Abstract (fin): | Koneoppimismenetelmiä hyödynnetään yhä enemmän luonnollisen kielen käsittelyyn. Eri kielten vaihtelevat resurssit ovat osasyy tähän kehitykseen: vahvasti kieliopilliseen tietämykseen nojautuvat manuaaliset menetelmät ovat realistisia vain hyvin resursoiduille kielille. Morfologinen segmentointi, eli sanojen jakaminen pienimpiin merkityksellisiin osiin, on keskeinen tehtävä yhdyssanoja ja taivutusta paljon hyödyntävien kielten automaattisessa käsittelyssä. Näissä kielissä erilaisten sanamuotojen määrä kasvaa niin suureksi, että sanoihin pohjautuvat kielimallit kärsivät. Tämä diplomityö esittelee Morfessor FlatCat -menetelmän, Morfessormenetelmäperheen uuden jäsenen. Menetelmäperhe sisältää koneoppimismenetelmiä morfologisen segmentoinnin oppimiseen. Morfessor FlatCat yhdistää osia kahdesta olemassa olevasta Morfessor-menetelmästä, liittäen kätkettyyn Markov-malliin perustuvan morfotaksin Morfessor Categories-MAP -menetelmästä yhteen Morfessor Baseline -menetelmässä käytetyn puoliohjatun oppimisen kanssa. Puoliohjatun oppimisen mahdollistaa ei-hierarkkisen leksikon käyttäminen. Morfotaksi auttaa mallia välttämään olemassa olevien morfien käyttämistä virheellisissä kohdissa. Esimerkkinä virheestä on englanninkielen jälkiliitteen "s" käyttäminen sanan alussa. Puoliohjattu oppiminen mahdollistaa pienen annotoidun aineiston hyödyntämisen merkittävän hyödyn saavuttamiseen verrattaessa tuloksia normatiiviseen segmentointiin. Kokeet osoittavat, että vaikka ohjaamaton FlatCat ei saavuta Categories-MAP -menetelmän tarkkuutta, puoliohjattuna FlatCat-menetelmän tulokset suomen- ja englanninkielelle ovat nykyistä huipputasoa. Tiedonhakukokeet osoittavat menetelmän soveltuvuuden erääseen luonnollisen kielen käsittelyn tehtävään. |
ED: | 2014-04-28 |
INSSI record number: 48943
+ add basket
INSSI