Surface Realisation from Knowledge Bases
Bases de Connaissances et Réalisation de Surface
Résumé
Natural Language Generation (NLG) is the task of automatically producing natural language text to describe information present in non-linguistic data. It involves three main subtasks: (i) selecting the relevant portion of input data; (ii) determining the words that will be used to verbalise the selected data; and (iii) mapping these words into natural language text. The latter task is known as Surface Realisation (SR). In my thesis, I study the SR task in the context of input data coming from Knowledge Bases (KB). I present two novel approaches to surface realisation from knowledge bases: a supervised approach and a weakly supervised approach.
In the first, supervised, approach, I present a corpus-based method for inducing a Feature Based Lexicalized Tree Adjoining Grammar (FB-LTAG) from a parallel corpus of text and data. The resulting grammar includes a unification based semantics and can be used by an existing surface realiser to generate sentences from test data. I show that the induced grammar is compact and generalises well over the test data yielding results that are close to those produced by a handcrafted symbolic approach and which outperform an alternative statistical approach.
In the weakly supervised approach, I explore a method for surface realisation from KB data which uses a supplied lexicon but does not require a parallel corpus. Instead, I build a corpus from heterogeneous sources of domain-related text and use it to identify possible lexicalisations of KB symbols (classes and relations) and their verbalisation patterns (frames). Based on the observations made, I build different probabilistic models which are used for selection of appropriate frames and syntax/semantics linking while verbalising KB inputs. I evaluate the output sentences and analyse the issues relevant to learning from non-parallel corpora.
In both these approaches, I use the data derived from an existing biomedical ontology as a reference input. The proposed methods are generic and can be easily adapted for input from other ontologies for which a parallel/non-parallel corpora exists.
La Génération Automatique de Langue Naturelle (GLN) vise à produire des textes ou de la parole dans une langue humaine à partir d'un ensemble de données non-linguistiques. Elle comprend généralement trois sous-tâches principales: (i) sélection et organisation d'un sous-ensemble des données d'entrée; ii) détermination des mots à utiliser pour verbaliser les données d'entrée; et (iii) regroupement de ces mots en un texte en langue naturelle. La dernière sous-tâche est connue comme la tâche de Réalisation de Surface (RS). Dans ma thèse, j'étudie la tâche de réalisation de surface quand les données d'entrée sont extraites de Bases de Connaissances (BC). Je présente deux nouvelles approches pour la réalisation de surface à partir de bases de connaissances: une approche supervisée et une approche faiblement supervisée.
Dans l'approche supervisée, je présente une méthode basée sur des corpus pour induire une Grammaire d’Arbres Adjoints basée sur les
traits (Feature Based Lexicalized Tree Adjoining Grammar (FB-LTAG)) à partir d'un corpus parallèle de textes et de données. La grammaire FB-LTAG résultante inclut une sémantique compositionnelle basée sur l'unification et peut être utilisée par un réalisateur de surface existant pour produire des phrases à partir des données de test. Je montre que la grammaire induite est compacte et suffisament générale pour traiter les données de test. L'approche donne des résultats qui sont proches de ceux produits par une approche symbolique développée manuellement et qui surpassent une approche statistique alternative.
Dans l'approche faiblement supervisée, j'explore une méthode pour la réalisation de surface à partir de données extraites d'une base de connaissances qui utilise un lexique mais ne requière pas de corpus parallèle. A la place, je construis un corpus de textes liés au domaine et l'utilise pour identifier les lexicalisations possibles des symboles de la base de connaissances (classes et relations) et leurs modes de verbalisation (cadres de sous-catégorisation). Sur la base des observations faites, je construis différents modèles probabilistes qui sont utilisés pour la sélection des cadres appropriés et de l'interface syntaxe / sémantique utilisés pour verbaliser les entrées de la base de connaissances. J'évalue les phrases générées et analyse les questions relatives à l'apprentissage à partir de corpus non-alignés.
Dans chacune de ces approches, j'utilise des données dérivées d'une ontologie biomédicale existante comme référence d'entrée. Les méthodes proposées sont génériques et peuvent être facilement adaptées pour une entrée à partir d'autres ontologies pour lesquelles un corpus parallèle/non-parallèle existe.
Loading...