擷取句型樣式

為了學習關聯句的句型樣式，我們對於同時包含兩個查詢詞彙的句子，會經 過第四章 4.3.1 所提到的詞性標記方法處理後取出句子中一般化的句型樣式。其 中包含兩個步驟：第一，依照所訂定的規則取代特殊字詞；第二，取出子序列。

<1>取代特殊字詞

為了避免過多不同的詞性符號導致不容易找出關聯句的句型，我們會進行特 殊字詞取代。我們參考 Cui et al. [18]所提出的取代原則，並加以修改，所採用之 原則如表 6.1 所示。

我們將輸入的兩個查詢詞彙取代為<target>；不同型態的 be 動詞被取代為

BE$；複數型態的名詞(NNS)替換成 NN；對於形容詞、副詞以及標點符號不列 入考慮；其他字詞則以本身的詞性標記符號取代。

以―quicksort‖和―sort algorithm‖為例，圖 6.1 表示句子經過詞性標記的結果；

圖 6.2 表示經過我們所採用的取代規則之後的結果，所擷取出的句型樣式 P 為兩 個<target>之間的詞性標記符號，如，<BE$, vbn, in, dt, nn, cc, vb, nn, dt>。

31

表 6. 1 本研究採用的取代原則

Token Replacement Example

Query term <target> data structure  <target>

is, am, are, was, were BE$ is  BE$

All nouns and noun phrases

Corresponding part-of-speech tags

classifiers  NN

Adjective and adverbial modifiers(JJ/RB)

Ignore

Punctuations Ignore All other words Replaced by

part-of-speech tag

running  vbg, time  nn

quicksort/nnp ,/, is/vbz based/vbn on/in the/dt divide/nn and/cc conquer/vb paradigm/nn ,/, a/dt sort/nn algorithm/nn with/in worst/jjs case/nn running/vbg time/nn o/nnp -lrb-/-lrb- n/fw ^/fw 2/cd -rrb-/-rrb- on/in an/dt input/nn array/nn of/in n/jj numbers/nns ./.

<target> is/BE$ based/vbn on/in the/dt divide/nn and/cc conquer/vb paradigm/nn a/dt <target> with/in case/nn running/vbg time/nn o/nnp 2/cd on/in an/dt input/nn array/nn of/in numbers/nn

圖 6. 1 句子詞性標記結果

圖 6. 2 取代之後結果

32

<2>取出子序列

本系統對於取出的句型樣式列出兩個詞性標記符號形成的子序列，目的是為 了避免<target>間字數不相同時，句型樣式被判定為不同。我們考慮詞性標記符 號的前後順序，並且訂一個最大差距(gap)，不一定要是連續出現，限制取出子 序列時兩個詞相隔不能超過 n 個字詞，我們將其設為 3。以句型樣式 P 為例，取 出子序列的範例如表 6.2 所示。

表 6. 2 取出子序列之結果

BE$ vbn in dt nn cc vb nn dt BE$_* BE$_vbn BE$_in

vbn_* vbn_in vbn_dt

in _* in_dt in_nn

dt_* dt_nn dt_cc

nn_* nn_cc nn_vb

cc_* cc_vb cc_nn

vb_* vb_nn vb_dt

nn_* nn_dt

dt_*

表 6.2 顯示句型樣式 P 所有取出之子序列。表中每一行詞性標記符號，每一 列表示以詞性標記符號為開頭之子序列，如第一列所示，是以 BE$為開頭的子序 列，和 BE$相距不超過 3 個字詞的詞性標記符號是 vbn 和 in，形成之子序列為 BE$_vbn 和 BE$_in。一個句子𝑠利用上述方法取出的所有子序列，稱為𝑠的子序 列集，以𝑠𝑒𝑛_𝑆𝑢𝑏𝑠𝑒𝑞(𝑠)表示。

33