Введение
Сегментация текста — это процесс разделения письменного текста на осмысленные единицы, такие как слова, предложения или темы. Этот термин применим как к ментальным процессам, используемым человеком при чтении, так и к искусственным процессам, реализованным в компьютерах, которые изучаются в области обработки естественного языка. Задача нетривиальна, поскольку, хотя в некоторых письменных языках существуют явные разделители слов, например, пробелы между словами в английском языке или различные формы букв в начале, середине и конце арабского слова, эти сигналы иногда бывают неоднозначными и отсутствуют в некоторых письменных языках. Сравните с сегментацией речи — процессом разделения речи на лингвистически значимые отрезки.
Text segmentation is the process of dividing written text into meaningful units, such as words, sentences, or topics. The term applies both to mental processes used by humans when reading text, and to artificial processes implemented in computers, which are the subject of natural language processing. The problem is non trivial, because while some written languages have explicit word boundary markers, such as the word spaces of written English and the distinctive initial, medial and final letter shapes of Arabic, such signals are sometimes ambiguous and not present in all written languages. Compare speech segmentation, the process of dividing speech into linguistically meaningful portions.
Сегментация намерений
Сегментация намерения — это задача разделения письменного текста на ключевые фразы (группы из двух и более слов). В английском и всех других языках определяется основное намерение или потребность, которое становится основой ключевой фразы. Ключевая фраза опирается на основные продукты/услуги, идеи, действия и/или мысли. "[Все состоит из атомов]. [Маленькие частицы, которые] [непрерывно] движутся, [притягиваясь друг к другу] [на небольшом расстоянии], [но отталкиваясь] [при сжатии] [друг в друга]."
Сегментация предложений
Сегментация предложений — это задача разделения строки письменного текста на составляющие предложения. В английском и некоторых других языках использование знаков препинания, в особенности точки, является достаточно точным приближением. Однако даже в английском языке эта задача нетривиальна из-за использования точки в сокращениях, которые могут, а могут и не завершать предложение. Например, "Mr." не является отдельным предложением в фразе "Mr. Smith went to the shops in Jones Street." При обработке обычного текста таблицы сокращений, содержащие точки, могут помочь избежать ошибочного определения границ предложений. Как и в случае сегментации слов, не все письменные языки используют знаки препинания, полезные для определения границ предложений.
Сегментация тем
Анализ тематики состоит из двух основных задач: идентификация темы и сегментация текста. Если первая – это простая классификация конкретного текста, то во втором случае предполагается, что документ может содержать несколько тем, и задача компьютерной сегментации текста может заключаться в автоматическом обнаружении этих тем и соответствующем разделении текста на сегменты. Границы тем могут быть очевидны из заголовков разделов и абзацев. В других случаях необходимо использовать методы, аналогичные применяемым при классификации документов. Сегментация текста по темам или речевым отрезкам может быть полезна в некоторых задачах обработки естественного языка: она может значительно улучшить информационный поиск или распознавание речи (путем более точной индексации/распознавания документов или предоставления конкретной части документа, соответствующей запросу, в качестве результата). Она также необходима в системах обнаружения и отслеживания тем, а также при решении задач автоматического реферирования текста. Было опробовано множество различных подходов, например, скрытые марковские модели (HMM), лексические цепочки, оценка сходства фрагментов на основе совместной встречаемости слов, кластеризация, тематическое моделирование и т.д. Это достаточно неоднозначная задача – люди, оценивающие системы сегментации текста, часто расходятся во мнениях относительно границ тем. Следовательно, оценка сегментации текста также является сложной проблемой.
Другие проблемы сегментации
Процессы могут потребоваться для сегментации текста на сегменты, помимо упомянутых, включая морфемы (задача, обычно называемая морфологическим анализом) или параграфы.