[发明专利]一种将中文短语结构树库转化为依存结构树库的系统和方法

权利要求书

1.一种将中文短语结构树库转化为依存结构树库的方法，其特征在于,具体步骤如下：

a)读入PennChineseTreebank中文树库，并通过拆分器，将树库中的长句拆分为短句；

b)确定最终的核心映射表，并利用核心映射表得到每个词的初始依赖头节点；

c)通过依赖规则器确定每个词的最终依赖头节点；

d)   建立依赖关系类型标注规范，通过依赖关系规范器，确定词与词之间的最终依赖关系，形成最终的依赖树库。

2.根据权利要求1所述的方法，其特征在于：步骤a)中所述拆分器根据树结构的特点，在根节点的孩子节点中，将为逗号或分号的设为拆分点，把长句拆分为短句，且拆分后的树以原来的根节点作为现在的根节点。

3.根据权利要求1所述的方法，其特征在于： 步骤b)中所述核心映射表是仿照PENN2MALT转换工具中公布的核心映射表的格式，根据PennChineseTreebank中文树库的特点和依赖树的特点，确定的更准确的核心映射表，其排除了标点、语气词、感叹词做核心词的情况。

根据权利要求1所述的方法，其特征在于：步骤c)中所述依赖规则器，其根据汉语语法的特点以及PennChineseTreebank中文树库的标注特点，对于只用步骤b)中所述核心映射表不能确定的依赖结构，确定具体的规则，来确定每个词的最终依赖头节点；其中所述具体的规则为：

a)“把”字结构和“被”字结构的规则：“把”字或“被”字节点后紧跟的节点的孩子中，如果是主谓或者主谓宾结构，则主语和谓语都依赖于“把”字或“被”字节点，并作为他们的宾语；

b)“得”字结构的规则：“得”字节点以他前面的动词为核心词，他后面的宾语以“得”字节点为核心词；

c)并列结构的规则：让最前面的名词作为核心词，而那些连接并列名词之间的连词依赖到连词后面的名词，如果并列名词是用顿号隔开的话，顿号依赖到它前面的名词；

d)特殊的动词短语的规则：特殊的动词短语结构的标注包括VCD、VRD、VSB、VCP、VPT、VNV。通过对这些特殊动词短语结构的研究，得到如下规则表：

。

4.根据权利要求1所述的方法，其特征在于，步骤d)中所述依赖关系类型标注规范， 

具体见下表所示：

。

5.根据权利要求1所述的方法，其特征在于：步骤d)中所述依赖关系规范器，寻找词与词之间的依赖关系，从两方面入手：

1)从PennChineseTreebank中文树库标注中找到他们的依赖关系；

2 从词自身的特点以及它的依赖词的特点出发找到他们的依赖关系；

其中所述的第一个方面，其具体规则为：

①PennChineseTreebank中文树库中，节点标记为DVP、ADVP的将其核心词的依赖关系定为状语；节点标记为DNP、DP、ADJP的将其核心词的依赖关系定为定语；

②PennChineseTreebank中文树库中，节点标记后缀分别为-SUB、-OBJ、-ADV、-EXT的，将其核心词的依赖关系分别定为主语、宾语、状语、补语；

③PennChineseTreebank中文树库中，节点标记为VRD、VCP、VPT的将其非核心节点的依赖关系定为补语；节点标记为VCD的将其非核心节点的依赖关系定为并列；节点标记为VSB的将其非核心节点的依赖关系定为连动；节点标记为VNV的将其非核心节点的依赖关系定为疑问连动；

所述的第二个方面，具体规则见下面的规则表：

。

6.根据权利要求5所述的方法，其特征在于：所述第一方面和第二方面的这些规则是存在冲突的，将这些规则定好优先级，具体的优先级由高到低依次为：所述第二方面规则中列表列出的依赖类型为根节点、时态、语气、感叹、标点、之字结构、的字结构、得字结构、地字结构的规则，然后是所述第一方面中的规则①、②、③，最后是所述第二方面规则中列表列出的依赖类型为并列、关联、介宾、数量、主语、宾语、定语、状语、补语的规则，严格的按照优先级的先后顺序能得到准确的依赖关系。

7.一种将中文短语结构树库转化为依存结构树库的系统，其特征在于，该系统包括：

拆分器，用于将树库中的长句拆分为短句；

核心映射表，用于得到每个词的初始依赖头节点；

依赖规则器，用于确定每个词的最终依赖头节点；

依赖关系规范器，用于确定词与词之间的最终依赖关系，形成最终的依赖树库。