第4期 张珂，等：基于非受限路径自然语言处理中的机器人导航 ·487 块，其中的名词短语可以直接填充到运动参考模 了依存关系的标注准确率下降。但是对于某些语 块。对于“$C”语块，通过上述名词的处理方法填充 义角色标注识别，依存句法相比于语块分析有着更 到相应的模块。 好的效果，下一节将会详细阐述。 在生成的路径单元的基础上，按顺序将路径单 表5依存句法分析结果 元整合在一起，就生成了最终的导航路径。 Table 5 The result of dependency parsing % 5 实验结果与分析 实验指标 P R F 平均值 90.83 90.87 90.85 将语料库按照4：1的比例进行划分，其中80% 5.2语义角色标注结果 为训练语料，20%为测试语料。然后根据定义的特 实验3基于语块分析的SRL 征模板对训练语料库进行训练，得到相应的训练模 型，再用测试语料库测试得到的训练模型的准确率。 表6是基于语块分析的语义角色标注的结果。 从表6的结果中可以看出，基于语块分析的语义角 本文需要用到以下的实验指标： 正确识别的个体总数 色标注准确率、召回率、F,值分别达到了96.77%、 正确率(P)= ×100% 识别出的个体总数 97.78%、97.27%。 表6基于语块分析的SRL结果 正确识别的个体总数 召回率(F)= 测试集中存在的个体总数 ×100% Table 6 The result of SRL based on chunking % P·R·2 语义角色 P R F F1= ×100% P+R Ao 99.07 99.07 99.07 5.1句法分析结果 Av 98.92 99.64 99.28 实验1语块分析实验 AM-ADV 91.37 96.54 93.88 表4是各个语块分析结果。由表4可见，语块 AM-DIR 99.39 99.09 99.24 分析的准确率、召回率、F,值都非常高，说明之前确 定的分块类型是合理的，适用于路径自然语言处理 AM-LOC 97.56 95.24 99.39 领域。较高的语块分析准确率也很符合接下来在 V 96.22 96.62 96.42 语块分析的基础上进行语义角色标注的要求。 平均值 96.77 97.78 97.27 表4语块分析结果 实验4基于依存句法分析的SRL Table 4 The result of chunking % 表7是基于依存句法分析的语义角色标注结 语块类型 R F 果。通过和表6得到的结果对比发现，虽然基于依 DT 98.97 98.21 98.59 存句法分析的SRL的平均值比基于语块分析的 FR 100.00 85.71 92.31 SRL要低。但是对于A0、AM-ADV语义角色，基于 MT 93.00 87.64 90.24 依存句法分析的结果明显较好。 表7基于依存句法分析的SRL结果 PR 100.00 98.18 99.08 Table 7 The result of SRL based on dependency parsing PT 100.00 100.00 100.00 语义角色 F RT 90.20 97.87 93.88 Ao 100.00 100.00 100.00 SC 96.27 93.63 95.09 A 98.11 97.65 97.88 ST 90.85 86.58 88.66 AM-ADV 98.05 86.30 91.88 总计 97.12 95.38 96.24 AM-DIR 96.11 98.73 97.40 实验2依存句法分析实验 AM-LOC 89.13 82.00 85.42 表5是依存句法实验结果。本文直接用依存句 法自动标注的平均值表示依存句法分析结果。和 V 91.54 94.28 92.89 语块分析相比，它的准确率、召回率、F值都相对较 平均值 95.00 94.53 94.76 低。其原因有两点：1)依存句法的依存关系类型较 实验5基于语块分析和依存句法分析的SRL 多，而且其划分边界并不明显，导致了识别率下降： 通过分析表5和表6发现，对于自然语言处理 2)由于某些从属词和支配词之间的距离过长，导致 的语义角色标注任务，语块分析和依存句法分析都块，其中的名词短语可以直接填充到运动参考模 块。 对于“ＳＣ”语块，通过上述名词的处理方法填充 到相应的模块。 在生成的路径单元的基础上，按顺序将路径单 元整合在一起，就生成了最终的导航路径。 ５ 实验结果与分析 将语料库按照 ４ ∶ １ 的比例进行划分，其中 ８０％ 为训练语料，２０％为测试语料。 然后根据定义的特 征模板对训练语料库进行训练，得到相应的训练模 型，再用测试语料库测试得到的训练模型的准确率。 本文需要用到以下的实验指标： 正确率（Ｐ） ＝ 正确识别的个体总数 识别出的个体总数 × １００％ 召回率（Ｆ） ＝ 正确识别的个体总数 测试集中存在的个体总数 × １００％ Ｆ１ ＝ Ｐ·Ｒ·２ Ｐ ＋ Ｒ × １００％ ５．１ 句法分析结果 实验 １ 语块分析实验 表 ４ 是各个语块分析结果。 由表 ４ 可见，语块 分析的准确率、召回率、Ｆ１值都非常高，说明之前确 定的分块类型是合理的，适用于路径自然语言处理 领域。 较高的语块分析准确率也很符合接下来在 语块分析的基础上进行语义角色标注的要求。 表 ４ 语块分析结果 Ｔａｂｌｅ ４ Ｔｈｅ ｒｅｓｕｌｔ ｏｆ ｃｈｕｎｋｉｎｇ ％ 语块类型 Ｐ Ｒ Ｆ１ ＤＴ ９８．９７ ９８．２１ ９８．５９ ＦＲ １００．００ ８５．７１ ９２．３１ ＭＴ ９３．００ ８７．６４ ９０．２４ ＰＲ １００．００ ９８．１８ ９９．０８ ＰＴ １００．００ １００．００ １００．００ ＲＴ ９０．２０ ９７．８７ ９３．８８ ＳＣ ９６．２７ ９３．６３ ９５．０９ ＳＴ ９０．８５ ８６．５８ ８８．６６ 总计 ９７．１２ ９５．３８ ９６．２４ 实验 ２ 依存句法分析实验 表 ５ 是依存句法实验结果。 本文直接用依存句 法自动标注的平均值表示依存句法分析结果。 和 语块分析相比，它的准确率、召回率、Ｆ１值都相对较 低。 其原因有两点：１）依存句法的依存关系类型较 多，而且其划分边界并不明显，导致了识别率下降； ２）由于某些从属词和支配词之间的距离过长，导致 了依存关系的标注准确率下降。 但是对于某些语 义角色标注识别，依存句法相比于语块分析有着更 好的效果，下一节将会详细阐述。 表 ５ 依存句法分析结果 Ｔａｂｌｅ ５ Ｔｈｅ ｒｅｓｕｌｔ ｏｆ ｄｅｐｅｎｄｅｎｃｙ ｐａｒｓｉｎｇ ％ 实验指标 Ｐ Ｒ Ｆ１ 平均值 ９０．８３ ９０．８７ ９０．８５ ５．２ 语义角色标注结果 实验 ３ 基于语块分析的 ＳＲＬ 表 ６ 是基于语块分析的语义角色标注的结果。 从表 ６ 的结果中可以看出，基于语块分析的语义角 色标注准确率、召回率、Ｆ１ 值分别达到了 ９６．７７％、 ９７．７８％、９７．２７％。 表 ６ 基于语块分析的 ＳＲＬ 结果 Ｔａｂｌｅ ６ Ｔｈｅ ｒｅｓｕｌｔ ｏｆ ＳＲＬ ｂａｓｅｄ ｏｎ ｃｈｕｎｋｉｎｇ ％ 语义角色 Ｐ Ｒ Ｆ１ Ａ０ ９９．０７ ９９．０７ ９９．０７ Ａ１ ９８．９２ ９９．６４ ９９．２８ ＡＭ⁃ＡＤＶ ９１．３７ ９６．５４ ９３．８８ ＡＭ⁃ＤＩＲ ９９．３９ ９９．０９ ９９．２４ ＡＭ⁃ＬＯＣ ９７．５６ ９５．２４ ９９．３９ Ｖ ９６．２２ ９６．６２ ９６．４２ 平均值 ９６．７７ ９７．７８ ９７．２７ 实验 ４ 基于依存句法分析的 ＳＲＬ 表 ７ 是基于依存句法分析的语义角色标注结 果。 通过和表 ６ 得到的结果对比发现，虽然基于依 存句法分析的 ＳＲＬ 的平均值比基于语块分析的 ＳＲＬ 要低。 但是对于 Ａ０、ＡＭ⁃ＡＤＶ 语义角色，基于 依存句法分析的结果明显较好。 表 ７ 基于依存句法分析的 ＳＲＬ 结果 Ｔａｂｌｅ ７ Ｔｈｅ ｒｅｓｕｌｔ ｏｆ ＳＲＬ ｂａｓｅｄ ｏｎ ｄｅｐｅｎｄｅｎｃｙ ｐａｒｓｉｎｇ ％ 语义角色 Ｐ Ｒ Ｆ１ Ａ０ １００．００ １００．００ １００．００ Ａ１ ９８．１１ ９７．６５ ９７．８８ ＡＭ⁃ＡＤＶ ９８．０５ ８６．３０ ９１．８８ ＡＭ⁃ＤＩＲ ９６．１１ ９８．７３ ９７．４０ ＡＭ⁃ＬＯＣ ８９．１３ ８２．００ ８５．４２ Ｖ ９１．５４ ９４．２８ ９２．８９ 平均值 ９５．００ ９４．５３ ９４．７６ 实验 ５ 基于语块分析和依存句法分析的 ＳＲＬ 通过分析表 ５ 和表 ６ 发现，对于自然语言处理 的语义角色标注任务，语块分析和依存句法分析都 第 ４ 期 张珂，等：基于非受限路径自然语言处理中的机器人导航 ·４８７·