leafiy教程

句法搭配与句式模式:整批材料里谁对谁做了什么

【政府动员居民】和【居民动员邻里】,按挨得近不近数搭配是分不开的。这篇讲依存分析之后,怎样把主谓宾、动宾和修饰关系整批数出来,这个办法从哪来,社会科学拿它研究什么,想深入该读哪几篇论文。

作者 Leafiy · 更新于 · 3909 字 · 约 14 分钟

句法搭配与句式模式:整批材料里谁对谁做了什么(封面插图)

假设你在研究老旧小区改造,收集了几十份各地的实施方案,想看这些文件安排谁来做事、对谁做事。【居民】在文件里是去【参与】【监督】,还是被【安置】【动员】?按词语搭配的老办法,数【居民】前后几个词之内常出现什么,【政府】【改造】【动员】都会排在前面。可是在这张表里,【政府动员居民】和【居民动员邻里】是一回事,两个词挨得近就算一次。

换一种数法。先给每句话做依存句法分析,找出哪个词管着哪个词,再把每一条关系连同它连着的两个词记下来。【政府动员居民】记两条,【动员】的主语是【政府】,【动员】的宾语是【居民】;到了【居民动员邻里】,【居民】成了主语。这样的一条记录叫依存三元组(dependency triple)。把整批文件的三元组像数词频那样数一遍,【居民】当主语时跟着哪些动词,当宾语时前面是哪些动词,就各有一张排行。同样的数法也能问别的事,一个动词通常带什么主语和宾语,一个名词常被哪些词修饰。

从数主语宾语到给词画素描

Hindle 1990 年的论文已经在这样数了。作者用一个句法分析器逐句分析 600 万词的美联社新闻,记下每个动词带的主语和宾语。文章说,以往想拿词的分布规律自动给词分类,卡在没有足够可靠的句法分析器上。有了这张表,就能问 drink(喝)的宾语有哪些,表上有啤酒和茶,也有葡萄酒和水。排先后用的是互信息,看两个词实际一起出现的次数比按各自频率预期的多出多少。照文章的说法,知道葡萄酒能喝,比知道 it(它)能喝学到的更多,尽管样本里 it 作 drink 宾语的次数更多。名词再按共有的动词比远近,和 boat(船)最相近的十个名词里,九个是交通工具(Hindle,1990)。

动词这边,要知道的是一个动词能带哪几种成分。英语里 want(想要)能带不定式,hope(希望)能带 that 引出的从句,反过来就不行。Brent 1993 年的程序 Lerner 从英语语料里学这类动词框架,只看限定词和介词这类局部线索,不分析整句,也不凭一次出现下结论,要对收来的数据做统计推断(Brent,1993)。Briscoe 和 Carroll 1997 年给每个动词记下各类框架出现的相对频率,在 14 个能带多种补足成分的动词上试,准确率和以往的办法相当,以往的办法只能分辨很少几类框架(Briscoe 与 Carroll,1997)。

Lin 1998 年的论文把这种记录叫作依存三元组,指两个词加上它们在句中的语法关系。论文分析了 6400 万词的英文新闻,取出 5650 万个三元组,去掉重复的还剩 870 万个。按两个词共有的三元组算它们有多相似,就能自动编出一部同义词词典。评测下来,它比《罗热同义词词典》更接近人工编成的词库 WordNet(Lin,1998)。

语言学家把问题倒过来,从句式出发看词。Stefanowitsch 和 Gries 2003 年提出搭配构式分析(collostructional analysis),照他们的说法,这是把语法结构考虑进来的搭配分析,能看出一个句式的某个空位偏爱哪些词。文中一例是英语的 into 致使句,形如 trick someone into doing(骗某人去做某事)。在英国国家语料库里,进入这个句式次数最多的动词是 force(强迫),和句式联系最紧的却是 trick(Stefanowitsch 与 Gries,2003)。

编词典的人也按语法关系数搭配。Kilgarriff 等人 2004 年数过按窗口统计搭配的几样毛病。左右各取几个词没有定准;一个动词的主语和宾语,修饰它的副词,和它连用的动词,全混在一张表里。他们的词语素描(word sketch)改为逐个语法关系去找,英语用了 27 种关系,捷克语用了 23 种。一个动词的主语和宾语分在不同的表里,修饰它的副词又是一张。词语素描先用在《麦克米伦英语词典》的编写上,这篇论文介绍的语料工具 Sketch Engine 让它能用于别的语言。语法关系可以取自已经做过句法分析的语料,也可以靠在词性序列上写的规则来找。比如一个动词后面隔着若干限定词、形容词或名词,再接一个名词,就记作动宾。他们承认这样简单的规则在语言学上不够讲究,用起来却很有用(Kilgarriff 等,2004)。Huang 等人 2005 年把这套工具搬到中文上,规则几乎照搬,用的是约 11.2 亿字的中文 Gigaword 新闻语料(Huang 等,2005)。

Goldberg 和 Orwant 2013 年从 350 万本英文书里数出依存树的片段,叫句法 n 元组(syntactic n-gram),不同的条目超过 100 亿个,还带着时间信息,可以拿来研究词义随时间的变化(Goldberg 与 Orwant,2013)。

窗口和句法关系差在哪,Levy 和 Goldberg 2014 年拿一句话来说明,Australian scientist discovers star with telescope(澳大利亚科学家用望远镜发现星星)。前后各取两个词,discovers 的上下文是它前面的 Australian 和 scientist,后面的 star 和 with,漏了 telescope,又算进了碰巧挨着的 Australian。他们改了一种词向量(用一串数字表示一个词的意思)的训练办法,让它能拿依存关系当上下文。窗口取前后五个词时,和 Hogwarts(《哈利·波特》里的魔法学校)最相近的词有 dumbledore、malfoy 和 snape,都是小说里的人物;换成依存关系,相近的是一串学校的名字。他们的概括是,窗口找出的是常和这个词一起出现的词,依存关系找出的是用法像它的词,主题性弱一些,更多是功能上的相似(Levy 与 Goldberg,2014)。

年份谁留下了什么
1990Hindle从句法分析结果里统计动词的主语和宾语
1993Brent用统计推断学出动词能带哪些成分
1998Lin按共有的依存三元组算词的相似度,自动编出同义词词典
2003Stefanowitsch 与 Gries看句式的空位偏爱哪些词
2004Kilgarriff 等Sketch Engine,任何语言的语料都能做词语素描
2005Huang 等把词语素描用到中文
2013Goldberg 与 Orwant带时间信息的大规模句法 n 元组
2014Levy 与 Goldberg拿依存关系当上下文训练词向量

社会科学拿它数谁对谁做了什么

政治传播研究用它把新闻变成行动者之间的关系网。van Atteveldt、Kleinnijenhuis 和 Ruigrok 2008 年做了一套系统,从荷兰报纸文章的句法分析结果里自动抽出政治行动者之间的关系,用模式匹配找出消息来源,判断一个关系里谁是施动的一方、谁是承受的一方。拿它和同一批材料的人工编码对照,在一项关于媒体权威的个案研究里,自动和人工两种结果算出的理论变量相关性很好;再用两种结果分别检验几条研究假设,跑出的回归模型也非常接近(van Atteveldt 等,2008)。

van Atteveldt 等人 2017 年又发表了一种办法和配套的开源 R 语言程序包,从句子里抽出消息来源、主体和谓语三部分,也就是谁在说,说的是谁,这一方说了什么或做了什么。少数几条句法模式就能较准确地抽出这样的分句、认出引语,明显好过只看词序的对照办法。用在 2008 到 2009 年加沙战争的报道上,美国媒体和中国英文媒体在引用谁、怎样框定这场战争上的差别就显了出来(van Atteveldt 等,2017)。

Pearce 2008 年把它用到语言与性别研究上,借 Sketch Engine 看英国国家语料库里 man 和 woman(男人和女人)两个名词在各种语法关系里分别和哪些词搭配,发现两者的差别是成体系的(Pearce,2008)。社会学里,Stuhler 2022 年把要抽的关系归成六类,比如一个实体做了什么,它被怎样形容,并写了一整套规则,从依存分析器的结果里把它们找出来。文章拿小说里的性别互动和美国总统候选人怎样讲集体身份做了示范(Stuhler,2022)。

想深入可以读这几篇

TATOOLS 里的依存句法模式挖掘

TATOOLS 的【依存句法模式挖掘】把这套数法做成了工具。交给它的是中文材料,政策文件、访谈稿或游客评论都可以。统计口径可以是依存三元组或词性序列,也可以是动词论元框架或修饰对。报告列出高频模式排行,每个模式标出频次和占比,以及出现在多少句、多少份文件里,并附几条原句作例证。给了节点词,比如【居民】,报告会为每个节点词单列一张高频模式表。

相关工具

相关教程

← 全部教程