An empirical approach to syntax learning

Abstract

This paper describes the outline of a system which is designed to infer a grammar from a collection of linguistic data (corpus). An incremental learning algorithm is used to produce a sequence of grammars which approximates the target grammar of the data provided.

In each step, a small set of sentences is selected and analysed by a special parser which produces partial structural descriptions for sentences not covered by the actual grammar. The sentence which minimizes the inductive leap for the learner is selected. For this sentence several hypotheses for completing its partial structural description are formulated and evaluated. The “best” hypothesis is then used to infer a new grammar. This process is continued until the corpus is completely covered by the grammar.

Zusammenfassung

Wir beschreiben die Grundzüge eines Systems, daß, konfrontiert mit einer Menge von linguistischen Daten (Korpus), eine Syntax für diese Daten generiert. Den Kern des Systems bildet ein inkrementeller Lernalgorithmus, der eine Folge von Grammatiken generiert, die den Verlauf des Lernprozesses reflektiert.

In jedem Schritt wird eine kleine Menge von Sätzen aus dem Korpus ausgewählt. Sie werden mit Hilfe eines speziellen Parsers analysiert, der für die Sätze, die nicht von der aktuellen Syntax erfaßt werden, partielle Beschreibungen generiert. Von diesen Sätzen wird derjenige ausgewählt, der den zur Generierung der neuen Syntax notwendigen induktiven Schritt minimiert. Die partielle Strukturbeschreibung dieses Satzes bildet die Grundlage für die Formulierung von Hypothesen zur Erweiterung der Syntax. Der Prozeß terminiert, sobald die aktuelle Syntax das Korpus vollständig abdeckt.