Strojová lingvistika a její perspektivy ve světle nedávných mezinárodních konferencí

Eva Hajičová

[Rozhledy]

(pdf)

Машинная лингвистика и ее перспективы в свете недавных международных конференций / Computational linguistics and its perspectives in the light of recent international conferences

Současný stav a směřování vývoje strojové lingvistiky[1] jsme měli možnost podrobně sledovat v průběhu jednání 9. mezinárodní konference strojové lingvistiky COLING 82, která se konala v červenci 1982 v Praze (Vrbová - Jirků, 1984); jako v každém relativně mladém oboru vystupují i v oblasti strojové lingvistiky rychle do popředí nové pohledy a je kladen důraz na další aspekty, tím spíše, že jde o obor, který je spjat s bouřlivým rozvojem počítačové techniky. Bude proto jistě užitečné posoudit z tohoto hlediska náplň a průběh 10. mezinárodní konference strojové lingvistiky, konané ve dnech 2.—6. července 1984 ve Stanfordu v USA, a při této příležitosti se stručně zmínit i o průběhu 2. výroční konference evropské sekce Asociace pro strojovou lingvistiku (Association for Computational Linguistics, dále ACL), konané 28.—29. března 1985 v Ženevě.

Pořadatelé konference Coling 84 ve Stanfordu nabídli účastníkům velmi bohatý program jak v rámci vlastní konference, tak i v návaznosti na termín jejího konání. Takové rozšíření programu bylo umožněno i tím, že Coling 84 vlastně zároveň nahrazoval pravidelné roční zasedání ACL (v pořadí již 22.), takže některé akce probíhaly pod její záštitou. To se týká především dvou seminářů, z nichž jeden byl jednodenní (před konferencí) a pod vedením M. Evansové (Illinois Institute for Technology, Chicago) se zabýval dnes velmi aktuální problematikou zachycení struktury lexikální zásoby jako celku i jednotlivých lexikálních hesel[2] pro počítačové aplikace, ale také využitím počítačů při zpracování lexikální zásoby.[3] Druhý seminář [157]navazoval na konferenční jednání (byl třídenní); jeho organizací bylo pověřeno Středisko pro studium jazyka a informace (Centre for the Study of Language and Information; bylo zřízeno r. 1983 při Stanfordské univerzitě a je výsledkem dlouhodobé spolupráce vědců výzkumných laboratoří v oblasti Palo Alta, jako je např. Stanford Research Institute International, Xerox Research Centre, Fairchild a různé ústavy Stanfordské univerzity) a soustředil se na otázky generování jazyka v nejširším slova smyslu, zahrnujícím otázky automatického vytváření celých textů (včetně syntézy odpovědí na dotazy uživatelů automatických informačních systémů) i teoretické otázky formálního generativního popisu jazyka.

Na Coling 84 navazoval i další třídenní seminář pořádaný japonským představitelem strojové lingvistiky prof. Makoto Nagaem ve spolupráci s ACL; seminář měl formu uzavřené diskuse asi 30 předních japonských, amerických i evropských specialistů v oblasti strojového překladu. Bylo velmi potěšitelné, že v průběhu semináře se prokázalo, na jakém pokročilém stupni probíhá výzkum strojového překladu u nás. Pražská skupina algebraické lingvistiky při katedře aplikované matematiky na MFF UK dovedla gramaticky podložený systém strojového překladu z angličtiny do češtiny již do stadia experimentálního provozu, což v Evropě — vedle skupiny B. Vauquoise v Grenoblu[4] a týmu Ju. D. Apresjana v Moskvě — zatím o žádném jiném pracovišti nelze říci, i když výzkumná činnost jak jednotlivých skupin, tak i společného projektu zemí EHS zvaného EUROTRA (viz níže) už značně pokročila. V Kanadě se již řadu let uplatňuje strojový překlad meteorologických zpráv z angličtiny do francouzštiny METEO (Hajičová - Kirschner - Sgall, 1981); ve Spojených státech se v poslední době výzkum (i komerční využití) zaměřuje na tzv. machine-aided translation (‚překlad za pomoci počítače‘). Předpokládá se tu zapojení tzv. osobních počítačů jako „překladatelských stanic“, jichž by překladatel využíval jako efektivních pomůcek pro překlad (přičemž toto využití může mít nejrůznější charakter, od automatického slovníku přes automatizaci jen některých fází překladu až po plně automatický překlad, který by překladatel u terminálu doplňoval, korigoval a redigoval). Příkladem na takovou orientaci ve strojovém překladu je např. skupina A. Melbyho na univerzitě v Provo (Utah) a od ní odvozený komerční systém ALPS nebo současné snahy v centru Xerox Research Centre v Palo Alto pod vedením M. Kaye.

Součástí programu konference byly týdenní semináře, které ji předcházely a byly určeny hlavně pro postgraduanty, ale navštěvovali je často i profesoři; jejich tematika odrážela střed zájmu v oblasti strojové lingvistky: (1.) kurs programovacího jazyka LISP (B. Smith), (2.) kurs programovacího jazyka PROLOG (F. Pereira), (3.) automatická analýza přirozeného jazyka (H. Thompson), (4.) situační sémantika (D. Israel a J. Perry), (5.) strojový překlad (B. Thouin, B. Harris a A. Melby). Všechny kursy s výjimkou výkladu o situační sémantice měly charakter nejen teoretický, ale i praktický: k dispozici bylo 10 mikropočítačů a řada terminálových stanic napojených na velké počítače (u strojového překladu umístěné až v Ottavě a Montrealu). Z hlediska teoretické lingvistiky byl nejzajímavější seminář o situační sémantice, nové sémantické koncepci stanfordských logiků a filozofů Jona Barwise a Johna Perryho, která — na rozdíl od mnoha dřívějších sémantických teorií studujících význam věty bez ohledu na její zapojení do dané situace a na její komunikativní funkci — pracuje s kontextově zapojeným jazykem; zdůrazňuje se tu i potřeba studia vztahu mezi syntaktickou formou výpovědi a jejím významem, protože často citovaný Fregeho kompoziční princip (význam věty chápaný jako funkce významů jejích složek) nelze z mnoha důvodů chápat zcela přímočaře, zvláště vezmou-li se v úvahu jazyky s volným slovosledem (zde je právě důležité studium aktuálního [158]členění; ve snaze o jeho explicitní popis má pražský výzkum matematické lingvistiky obecně uznávanou prioritou ve světovém měřítku).

Vlastní konference COLING 84 trvala čtyři dny; zúčastnilo se jí zhruba 350 účastníků a bylo na ní předneseno 92 referátů (z toho 35 účastníky z USA) z přihlášených více než 250 referátů; byly připraveny 4 panelové diskuse.

Z hlediska tematické náplně lze referáty rozdělit zhruba do osmi okruhů (v závorce uvádíme počet referátů v daném okruhu a na druhém místě počet referátů účastníků z USA; porovnání obou čísel je zajímavé, protože ukazuje, že tam, kde jde převážně o otázky teoretické, byly jako hodnotné přijaty referáty mimoamerických účastníků, zatímco tam, kde jde již o konkrétní aplikace závislé na vyspělé technologii, jako je kontakt s bází dat, automatická analýza textu, generování, je jasná převaha referátů z USA):

1. Otázky automatické syntakticko-sémantické analýzy (28; 13). Pro tuto oblast bylo příznačné obnovení zájmu o formální teorii gramatik (4 referáty); pozornost se soustředila na tezi, zda pro explicitní popis přirozeného jazyka jsou adekvátní nekontextové gramatiky (Gazdar a kol., 1985), nebo přesněji řečeno, na formulování gramatik, jejichž expresívní síla by byla větší než síla nekontextových frázových gramatik, ale jen do určité (omezené) míry (např. Pullumův výklad o tzv. head grammars, které se v podstatě od frázové gramatiky liší tím, že je vyznačen hlavní člen — head — dané struktury). Při této příležitosti R. Berwick (M. I. T., Cambridge, Mass.) v diskusi zdůraznil, že již byl formulován typ generativní gramatiky, o němž bylo dokázáno (viz Plátek - Sgall, 1978), že převyšuje sílu nekontextových gramatik jen velmi omezeným způsobem, a přitom poskytuje adekvátní popis přirozeného jazyka, totiž Sgallův funkční generativní popis. Je zajímavé, že v nově navrhovaných gramatikách se jasně rýsuje jistý příklon k závislostnímu typu popisu jazyka, i když termínu závislost se autoři možná i záměrně vyhýbají (srov. výše o Pullumově návrhu).

Z přednesených referátů vyplynulo, že mnoho otázek automatické analýzy přirozeného jazyka ještě není dořešeno. Poukazuje se též na to, že ani člověk nedokáže často bez obtíží analyzovat některé neobvyklé (či spíše neočekávané) konstrukce. Mluví se o tzv. garden-path sentences (snad křivolaké věty?), jako je v angličtině např. The diners hurried through their meal were annoyed: očekávaná struktura je ta, v níž sloveso hurried, minulý čas od slovesa to hurry — ‚spěchat‘, má jako podmět frázi the diners (‚strávníci, večeřící‘); jakmile se však dojde při analýze ke slovesu were annoyed, ukáže se, že the diners je podmětem pasívního tvaru tohoto hlavního slovesa věty a že tvar hurried je pasívním participiem rozvíjejícím podmět věty jako přívlastek, popř. doplněk (tedy volně přeloženo: Strávníci, které při jídle popoháněli k většímu spěchu, byli rozmrzelí). Přesto se začíná pozornost věnovat i analýze výpovědí, které neodpovídají správně tvořeným větám, protože hlavně při komerčním využití analýzy dotazů uživatele adresovaných databázi a formulovaných v přirozeném jazyce jsou tyto otázky aktuální (může jít o prosté překlepy, o vyšinutí z vazby, elipsy, popř. o nedokončené konstrukce).

2. Diskurs (text) a jeho pragmatické aspekty (19; 9). Referáty z této oblasti byly velmi různorodé; často postrádaly zakotvení v širším empirickém výzkumu. Značná část pozornosti byla věnována otázkám tzv. jazykové inference (těch se týkal i pražský referát). Velmi zajímavý výzkum se provádí na Pennsylvánské univerzitě pod vedením A. Joshiho; v referátě se spolu s B. Webberovou zabývali nutností zabránit falešným inferencím, které je možné vyvodit ze sdělení na základě obecně známých skutečností. Joshi tak doplňuje jeden z Griceových (1975) principů konverzace o podmínku, že je třeba dbát nejen na pravdivost sdělení, ale i na to, aby z daného sdělení nebylo možné vyvodit nepravdivý důsledek. Např. pokud — podle předpokladu — obecné znalosti posluchačů obsahují informaci, že se univerzitním [159]profesorem zpravidla může stát jen ten, kdo získal vědeckou hodnost doktora věd, pak je třeba sdělení Ing. Plachý je profesorem brněnské univerzity doplnit poznámkou Hodnost doktora věd však dosud nezískal, pokud nemá z původního sdělení vyplývat, že zmíněná osoba uvedenou vědeckou hodnost má.

3. Strojový překlad (15; 1, japonských referátů 5). Problematika strojového překladu je stále středem pozornosti matematické a strojové lingvistiky, zvlášť přihlédneme-li k tomu, že v řadě referátů týkajících se automatické analýzy přirozeného jazyka, zařazených do výše uvedené sekce, šlo o analýzu využitelnou právě v systémech strojového překladu. Jak už jsme uvedli výše, nabývá na významu snaha o to, využít počítače jako pomocníka překladatele; přivítat je třeba i snahu po hlubším využití lingvistického výzkumu pro účely strojového překladu (především u některých japonských badatelů se tu využívá i nejnovějších logických systémů intenzionální sémantiky). V rámci zemí EHS se intenzívně rozvíjí projekt EUROTRA, jehož cílem je připravit automatický překlad (zejm. dokumentů EHS) ze všech jazyků do všech jazyků zapojených zemí. Analýza i syntéza se vypracovává v té zemi, kde je daný jazyk jazykem mateřským; nepočítá se s formulací závazného převodního jazyka (tedy významového zápisu, který by byl zároveň výstupem z analýzy a přímým vstupem do syntézy), i když byla vytvořena pracovní skupina, která se otázkami takové reprezentace zabývá. Předpokládá se však, že na společných pracovních schůzkách bude možné stanoviska pracovníků zúčastněných na analýze a syntéze sjednotit tak, že přechody od výstupů analýzy ke vstupům do syntézy (tzv. transfer) budou pro každou dvojici jazyků poměrně jednoduché. Výsledky spolupráce v rámci projektu EUROTRA zatím nebyly dostatečně publikovány; není proto jasné, zda se na jednotlivých pracovištích přihlíží dost důsledně k tomu, co již bylo (alespoň pro některé z uvažovaných jazyků) široce zpracováno, a to nejen z hlediska strojového překladu (kde nelze dost dobře přehlédnout výsledky na univerzitě v Grenoblu pod vedením B. Vauquoise), ale i z hlediska lingvistického výzkumu, který je podkladem překladových systémů.

O aktuálnosti problematiky strojového překladu svědčí i to, že těmto otázkám byla věnována nejpočetněji navštívená panelová diskuse s provokativním názvem Kdy vyjde příští zpráva komise ALPAC?[5] Diskusi řídila M. Kingová, vedoucí výkonného výboru projektu EUROTRA, a zúčastnili se jí zástupci výzkumných skupin, které se strojovým překladem již po léta zabývají. Vedle zpráv o pozitivních výsledcích dosavadního výzkumu a o naději na brzké komerční uplatnění tu zaznělo důrazné varování M. Kaye (Xerox, Palo Alto), které bylo více než oprávněné: domnívá se totiž, že v některých zemích (zcela zřejmě narážel na projekt EUROTRA) se opět zdvihá vlna přehnaných nadějí na brzkou realizaci plně automatického vysoce kvalitního strojového překladu. Tyto naděje, nebudou-li včas splněny, by mohly vést k opačnému extrému, totiž ke skepsi, která by mohla být pro další výzkum strojového překladu katastrofální. Přitom Kay sám pesimismu nepodléhá — považuje dobře lingvisticky i technicky podložený výzkum v oblasti strojového překladu za velmi užitečný, především pokud budeme vidět v počítači pomocníka překladatele (přiklání se tedy k myšlence překladu za pomoci počítače). Znovu tak potvrzuje, že [160]je vhodné zaměřovat výzkum na strojový překlad s postredakcí, při níž bude možno odstranit chyby, které vznikly nesprávnou analýzou neobvyklých konstrukcí.

4. Generování (9; 5). Výzkum v oblasti generování je orientován především na tzv. generování diskursu (textu), tedy posloupností vět (přesněji výpovědí). Dochází k celkem paradoxní situaci: počítačový systém vytvoří strukturu této posloupnosti, ale zůstávají přitom zanedbány otázky struktury věty. V referátech byly probrány otázky týkající se odrazu záměru u mluvčího a plánování jeho činnosti ve struktuře textu. Je nasnadě, že se tu nelze obejít bez systematického přihlížení k problematice aktuálního členění. Dokazoval to i jeden z nejpříznivěji přijatých referátů na konferenci, v němž K. McKeownová a M. Derrová ukazovaly, jak se rozčlenění věty na základ a ohnisko (v návaznosti na předchozí, ale i následný kontext) uplatňuje při povrchové realizaci dané věty (kdy se totiž některý člen nominalizuje nebo kdy naopak je vyjádřen vedlejší větou), viz též McKeownová, 1985.

5. Kontakt s bází dat v přirozeném jazyce (8; 5). V této oblasti se projevují dvě tendence, které spolu zdánlivě nemají nic společného, přesto však mezi nimi existuje vzájemná souvislost. Na jedné straně se v referátech ukazovalo, že některé systémy kontaktu s bází dat v přirozeném jazyce (převážně v angličtině) jsou již komerčně využívány, na druhé straně se volalo po obecnějším, tedy lingvisticky fundovanějším přístupu, který by umožnil snadno modifikovat systém pro báze dat odlišných věcných zaměření nebo pro různé databázové systémy. Právě na přenositelnosti systému ovšem silně závisí jeho prodejnost. Na panelové diskusi k tomuto tématu (nazvanému Znovu databáze a jazyk a vedenému K. Sparckovou-Jonesovou z Cambridge ve Velké Británii) se konstatovalo, že úkol vypracovat jednotný systém zprostředkující kontakt s bází dat v přirozeném jazyce nevyžaduje dnes již zvláštní pozornost. Zároveň však se ukazovalo, že snaha po přenositelném, a tedy i obecnějším systému by měla vést k hlubšímu lingvistickému pohledu; a tady se nabízejí lingvisticky zajímavé problémy.

6. Lexikální a morfologická problematika (6; 1). Zatímco otázky morfologické analýzy se již zdají být uspokojivě řešeny nebo vyřešeny, zpracování slovní zásoby představuje stále živý problém, především pro svou časovou náročnost. Hledají se proto cesty, jak kompilaci a ukládání lexikální informace zautomatizovat; v módní terminologii se mluví o tvorbě a využití lexikálních databází. Protože některé velké slovníky jsou již tištěny z počítačového média, zaměřuje se v posledních letech pozornost na to, jak ze slovníkového hesla velkého slovníku zpracovaného tradičním způsobem (např. Websterův či Longmanův slovník angličtiny) automaticky vybrat a také vhodným způsobem uspořádat potřebné údaje (morfologické a sémantické příznaky, včetně synonymie, vztahů podřazenosti a nadřazenosti pojmů, údajů o stylistické hodnotě atd.). Lexikálními otázkami se dnes zabývá řada pracovišť; z nich je třeba jmenovat alespoň Centrum počítačové lingvistiky v Pise, lexikální projekt severských zemí, projekt na univerzitě v Lancasteru ve Velké Británii, výzkum ve Spojených státech na Illinoiském technickém institutu, v Bellových laboratořích v New Jersey aj., ale i v Japonsku v souvislosti s národním projektem strojového překladu. Diskuse o tzv. lexikálních databázích pokračovala i na panelové diskusi samé (vedené D. E. Walkerem, Bell Comm. Research, New Jersey), kde se jen potvrzovala vysoká časová náročnost zpracování lexika a nutnost jeho automatizace.

7. Ostatní tematické oblasti (7; 1). Otevřeným problémem stále zůstává analýza mluvené řeči — existující pokročilé analyzátory jsou schopny rozeznat jednotlivá oddělená slova, popř. „souvislou“ řeč namluvenou se zřetelnými pauzami mezi slovy, ale skutečný souvislý tok mluveného vstupu se zatím analyzovat nepodařilo. Na konferenci se též objevily návrhy na vyvinutí specifických počítačů [161]či alespoň prvků, které by umožňovaly efektivnější zpracování textu v přirozeném jazyce. Bohužel se v programu neodrazil výzkum v kvantitativní lingvistice, alespoň ne jako samostatné téma (ani panelová diskuse o kvantitativní lingvistice, ohlášená H. Karlgrenem ze Stockholmu, se nakonec nekonala), i když z mnoha referátů bylo zřejmé, že jsou opřeny o kvantitativní výzkum, zvl. slovní zásoby.

Tematické rozložení referátů na ženevské výroční konferenci evropské sekce ACL bylo obdobné; na konferenci předneslo své referáty 43 účastníků, z toho 8 z USA a 3 z Japonska. Příznivě se tu odrazil zvýšený zájem o lingvistické aspekty této mezioborové oblasti; výrazně se projevili britští účastníci (celkem 12 přijatých referátů!), i když někdy ve svých referátech objevovali jazykové zákonitosti již dříve poznané a popsané; přesto lze říci, že kvalita britské účasti na konferenci převyšovala ostatní zahraniční skupiny a projekty. Středem zájmu byla i zde automatická syntaktická a sémantická analýza (plná čtvrtina referátů), a to z hlediska jak formální teorie gramatik a využití výsledků teoretické lingvistiky pro konkrétní formulaci pravidel analýzy (s velice příznivým ohlasem se tu setkaly výsledky pražské skupiny matematické lingvistiky soustředěné na KAM MFF UK dosažené uplatňováním výsledků v oblasti aktuálního členění věty při sestavování algoritmu analýzy českých a anglických vět), tak i její aspekty čistě lingvistické.

Na druhém místě v počtu přednesených referátů byla problematika textu a sémantické reprezentace vůbec. Zde se ovšem ve srovnání se stanfordskou konferencí projevil výrazný rozdíl v počítačovém vybavení amerických a evropských pracovišť; na evropské konferenci se hovořilo spíše o teoretických postupech na počítači dosud nerealizovaných.

Jak jsme se zmínili už výše, realizuje se v zemích EHS projekt strojového překladu EUROTRA; na konferenci byl tomuto projektu věnován jediný referát (a to spíše z pozice jeho kritiků, nikoli tvůrců), zato se tu podrobně představil projekt METAL vyvíjený na univerzitě v Austinu (Texas, USA) ve spolupráci se společností Siemens Comm. Systems, který má být plně automatizovaným vysoce kvalitním systémem strojového překladu z němčiny do angličtiny a má být již v tomto roce postoupen komerčnímu využití.

V referátech se též projevil značný zájem o kompilaci a využití počítačových korpusů textů; ukazuje se, že počítač tu představuje výraznou pomoc pro empirický lingvistický výzkum.

 

Máme-li shrnout své poznatky z obou posledních mezinárodních konferencí o strojové lingvistice,[6] můžeme konstatovat, že se tu projevuje zřetelné vyvážení aspektů teoretických v oblasti technické i lingvistické a aspektů aplikačních; tento moment považujeme za zvlášť pozoruhodný i proto, že první z konferencí se konala v Kalifornii, kde bychom vzhledem k technologické vyspělosti očekávali převahu zájmu o implementaci systémů na nejpokročilejší výpočetní technice. Díky nepolevujícímu zájmu o strojový překlad se podobná vyváženost vcelku projevuje také v soustředění se jak na strukturu věty, tak i na strukturu textu, a v obou oblastech pak zejména na otázky syntakticko-sémantické a pragmatické. Sémantické studie se začínají i v oboru strojové lingvistiky orientovat na nejnovější logicko-sémantické směry, pracující tím či oním způsobem s intenzionální sémantikou. Projevuje se zároveň oživení zájmu o problematiku lexikální sémantiky, především pak se zřetelem k možnostem automatické kompilace slovníkových informací.

 

[162]LITERATURA

 

GAZDAR, G. - KLEIN, E. - PULLUM, G. - SAG, I.: Generalized phrase structure grammar. Oxford 1985.

GRICE, H. P.: Logic and conversation. In: Syntax and Semantics. Vol. 3. Speech acts. Red. P. Cole - J. L. Morgan. New York 1975.

HAJIČOVÁ, E. - KIRSCHNER, Z. - SGALL, P.: Strojový překlad z angličtiny do češtiny. SaS, 42, 1981, s. 61—67.

MCKEOWN, K. R.: Text generalization. Cambridge 1985.

PLÁTEK, M. - SGALL, P.: A scale of context-sensitive languages: Applications to natural language. Information and Control, 38, 1972, č. 1, s. 1—20.

VRBOVÁ, J. - JIRKŮ, P.: Pražský Coling 82. SaS, 45, 1984, s. 78—79.

Slovo a slovesnost, ročník 47 (1986), číslo 2, s. 156-162

Předchozí Jana Hoffmannová, Olga Müllerová: Německý příspěvek k pojetí dialogu a metakomunikace

Následující Otakar Šoltys, Marie Martináková: Nad knihou o dynamických aspektech řečové produkce