На 28 и 29 май 2018 година в Дома на Европа и Централното управление на Българската академия на науките в София се проведе третото издание на Международната научна конференция „Компютърната лингвистика в България“ (Computational Linguistics in Bulgaria – CLIB 2018).

Конференцията е форум, на който български учени, работещи в областта на компютърната лингвистика в България и в чужбина, имат възможност да обменят познание, опит, идеи и постижения помежду си и с изследователи от други държави, работещи върху компютърнолингвистична проблематика, свързана с български език и други славянски и балкански езици, както и с представители на индустрията в областта на информационните технологии.

Тазгодишното издание на Конференцията премина при голям успех – значително разширено като тематика, брой участници и представителство на научната общност в областта на компютърната лингвистика. Представени бяха разработки на изследователи от България, Русия, Сърбия, Румъния, Япония, Украйна, Норвегия, Италия, САЩ, Великобритания. Разнообразната и балансирана научна програма бе организирана в няколко основни части: (а) пленарна сесия, в рамките на която бяха изнесени 3 лекции от компютърни лингвисти, заемащи водещи в световен мащаб позиции и гостуващи в България специално за участието си в CLIB 2018; (б) oсновна конференция с постерна сесия; и (в) специална научна сесия, посветена на лексикално-семантичните мрежи (от типа на УърдНет).

Конференцията бе открита на 27 май 2018 с публична лекция на проф. Руслан Митков – един от първите български компютърни лингвисти, учен с ярък принос в областта на автоматичната обработка на естествения език и езиковите технологии, ръководител на Изследователската група по компютърна лингвистика в Университета в Улвърхамптън, Великобритания. Лекцията на тема „Езиковата интелигентност: компютрите срещу хората“ (Linguistic Intelligence: Computers vs. Humans) беше изнесена пред учени, гости на Конференцията, учители и ученици, участвали в състезанието по компютърна лингвистика, провело се в същия ден.

Пленарната сесия на CLIB 2018 започна с лекция на проф. д-р Руслан Митков на тема „С малко помощ от страна на компютърната обработка на естествения език: езикови технологии с ефект върху обществото“ (With a Little Help from NLP: My Language Technology Applications with Impact on Society). В лекцията си проф. Митков се спря на три разработени от него оригинални метода, които лежат в основата на реални езикови технологии, насочени в помощ на обществото и фокусирани в областта на електронното обучение, писмения и устния превод и подпомагането на лица с езикови затруднения. В първата част на лекцията си проф. Митков представи иновативна разработка за автоматично генериране на тестове с множествени изборни отговори от електронни учебници, които се основават на техники като извличане на термини, семантичен анализ и преобразуване на изреченията. Благодарение на създаденото приложение изготвянето на тестове става многократно по-бързо, без да се прави компромис с качеството. Втората област, която докладът засегна, бе създаването на преводна памет от ново поколение в помощ на професионалистите, занимаващи се с писмени преводи, а в бъдеще – и на колегите им, работещи в сферата на устния превод. В третата част от лекцията си проф. Митков запозна аудиторията с оригинална методология и система, ориентирана към улесняване на четенето и разбирането на текстове от лица, страдащи от аутизъм.

Вторият пленарен доклад на тема „Обучение с невронни графи“ (Neural Graph Learning) бе изнесен от д-р Суджит Рави – старши изследовател и мениджър в „Гугъл“. Д-р Рави представи иновативни разработки на алгоритми за машинно самообучение, базирани на теорията на графите, които благодарение на изчислителната и изразителната си мощ и простота правят възможно представянето на различни видове отношения, откривани в обработваните масиви от данни, и кодирането на структурни специфики, необходими за формулирането и решаването на реални научни и приложни задачи. Представената система комбинира алгоритми за самообучение, базирани на графи, с невронни мрежи за дълбоко обучение и може да оперира с огромни по обем данни при ниска сложност на операциите. Тази теоретико-приложна рамка е използвана в имплементацията на някои от най-съвременните потребителски ориентирани интелигентни приложения на компанията в областта на генерирането на автоматични отговори на електронни съобщения (Smart Reply), автоматичното разпознаване на образи, обобщаването на съдържанието на видео записи и др.

Третият пленарен доклад бе изнесен от д-р Зорница Козарева – мениджър в „Гугъл“ и лауреат на Наградата „Джон Атанасов“ за 2016 година за високи постижения в областта на компютърната лингвистика. В лекцията си „Създаване на интерактивни асистенти чрез дълбоко учене“ (Building Conversational Assistants Using Deep Learning) д-р Козарева запозна аудиторията с работата на екипа си върху технологии за създаване на интелигентни интерактивни асистенти, подпомагащи общуването между човек и компютър. Акцент в лекцията бе разрешаването на предизвикателствата пред създаването на помощници, които да са в състояние да извършват интелигентни решения, съобразени с индивидуалните предпочитания и навици на хората, с цел подпомагане на ежедневието им чрез организиране на графици, пътувания и др. Представени бяха решения на задачи като извличане на същности, предсказване на намеренията и отговаряне на въпроси, базирани на алгоритми за дълбоко самообучение. В заключение бяха очертани насоки на работа, основаващи се на нови открития в областта на предсказването на намеренията на потребителите, свързани с дейности като пазаруване, развлечения и под.

На Конференцията бяха изнесени две специални лекции, които очертаха друго актуално направление в областта на компютърната лингвистика, а именно развитието на езиковите умения и четивните способности в ранна детска възраст. В лекцията си „Оценка на четивната ефективност в началното училище, базирана на компютърната обработка на естествения език“ (NLP-based Assessment of Reading Efficiency in Early Grade Children) проф. Вито Пирели от Института по компютърна лингвистика „А. Замполи“ в Рим представи приложението на методи от обработката на естествения език при оценяване на уменията за четене. Проф. Мила Димитрова-Вълчанова и проф. Валентин Вълчанов от Норвежкия научно-технологичен университет в Трондхайм дискутираха особеностите на метафоричния език в контекста на индивидуалното езиково развитие и „разбирането“ на човешкия език от компютрите (Figurative Language Processing: A Developmental and NLP Perspective).

В рамките на основната конференция бяха изнесени доклади в следните тематични направления: автоматично резюмиране на текстове на новинарски статии за български език (Никола Таушанов, Иван Койчев и Преслав Наков – Abstractive Text Summarization with Application to Bulgarian News Articles); формализиране на лексикалното значение с помощта на онтологии (Мария Гриц – Towards Lexical Meaning Formal Representation by Virtue of the NL-DL Definition Transformation Method); специфични аспекти на словообразуването (Джуня Морита – Narrow Productivity, Competition, and Blocking in Word Formation); специфики на графичното представяне на текстовете с оглед на тяхната автоматична обработка (Цветана Крстев, Ранка Станкович и Душко Витас – Knowledge and Rule-Based Diacritic Restoration in Serbian; Антон Зиновиев – Perfect Bulgarian Hyphenation, or How not to Stutter at End-of-line). В научна сесия, посветена на корпусните изследвания, бяха изнесени: доклад върху създаването на корпус и система за откриване на непреки анафори (Ана Ройтберг, Денис Хачко – Russian Bridging Anaphora Corpus); корпусно изследване върху видовите и времевите характеристики на миналите деятелни причастия в български език (Екатерина Търпоманова – Aspectual and Temporal Characteristics of the Past Active Participles in Bulgarian – a Corpus-based Study); изследване върху асиметрията при лексикализиране на наименования за лица от женски пол в български и украински (Олена Сирук, Иван Держански – Unmatched Feminitives in a Corpus of Bulgarian and Ukrainian Parallel Texts); корпус с резюмета на текстове за български език (Виктория Петрова – The Bulgarian Summaries Corpus).

Седем от приетите доклади бяха представени под формата на постери в рамките на постер сесия, предшествана от кратки устни представяния. Докладите включиха разработки в областта на композиционната дистрибуционна семантика (Амир Бакаров – The Effect of Unobserved Word-Context Co-occurrences on a Vector-Mixture Approach for Compositional Distributional Semantics), автоматичното разпознаване на авторство в текстови съобщения (Бранислава Шандрих – Fingerprints in SMS Messages: Automatic Recognition of a Short Message Sender Using Gradient Boosting), визуализацията на транскрибирана реч и нормализиран текст (Марина Джонова, Хетил Ро Хауге и Йовка Тишева – Parallel Web Display of Transcribed Spoken Bulgarian with its Normalised Version and an Indexed List of Lemmas), създаването на паралелен корпус за целите на статистическия автоматичен превод на глаголните времена между български и английски (Тодор Лазаров – Bulgarian-English Parallel Corpus for the Purposes of Creating Statistical Translation Model of the Verb Forms. General Conception, Structure, Resources and Annotation), езиковото обучение (Георги Джумайов – Integrating Crowdsourcing in Language Learning) и обучението по лингвистика и компютърна лингвистика чрез специфични видове задачи за ученици, състезаващи се в тези дисциплини (Иван Держански и Милена Венева – Linguistic Problems on Number Names; Росица Декова и Аделина Радева – Introducing Computational Linguistics and NLP to High School Students).

В рамките на Конференцията беше включена и специална сесия, посветена на УърдНет и онтологиите. Сесията бе организирана в рамките на проекта „Семантична мрежа с широк спектър от семантични релации“, изпълняван от Секцията по компютърна лингвистика към Института за български език и финансиран от Фонда за научни изследвания по програма „Финансиране на фундаментални научни изследвания“ за 2016 година.

Целта на специалната сесия бе да се създаде форум за споделяне на изследвания в областта на лексикално-семантичните мрежи и онтологиите и взаимодействието и интегрирането между двата типа представяне на знанието в ресурси с различна насоченост. Опитът и резултатите, които бяха обменени, предложиха ценни насоки за бъдещето на изследванията в тази област и имат пряко отношение към осъществяването на следващия етап от проекта.

Докладът на Наталия Лукашевич и Борис Добров (Ontologies for Natural Language Processing: the Case of Russian) представи група езикови ресурси за руски език, RuThes, основаващи се на обединяването на УърдНет с тезауруси и формални онтологии, като данните са представени в единен формат. Получените ресурси се използват в областта на компютърната обработка на естествения език и извличането на информация. Едно от реалните приложения на ресурса е полуавтоматичното генериране на РуУърдНет.

Разработката, представена от Ранка Станкович, Миляна Младенович, Иван Обрадович, Марко Витас и Цветана Крстев (Resource-based WordNet Augmentation and Enrichment), демонстрира подход за обогатяване на Сръбския уърднет с помощта на сръбско-английски ресурси. Методът се базира на превод и корекция на дефинициите от Принстънския уърднет на сръбски и автоматичен подбор на кандидати за членове на синонимните множества от списъци с преводни еквиваленти, извлечени от двуезикови ресурси. Представена е оценка на резултатите, при които се взема предвид обемът от корекции, извършени от експерти върху автоматично създадения вариант.

Докладът на колегите от Румъния (Мария Митрофан, Вержиника Барбу Митителу, Григорина Митрофан – A Pilot Study for Enriching the Romanian WordNet with Medical Terms) представи пилотно проучване, ориентирано към обогатяването на Румънския уърднет със специализирана лексика, по-конкретно медицинска терминология. Статията изследва интеграцията на по-знанието от медицинския тезаурус SNOMED CT в йерархичната релационна структура на УърдНет и представя проблемни случаи, свързани с различната организация на познанието в двата ресурса.

В доклада на тема Classifying Verbs in WordNet by Harnessing Semantic Resources (Светлозара Лесева, Ивелина Стоянова и Мария Тодорова) бе представена класификация на глаголите в УърдНет, създадена автоматично чрез обединяването на преимуществата на три семантични ресурса – самия УърдНет и неговата разклонена йерархична структура, богатото и гранулирано семантично описание и таксономичните отношения във ФреймНет и по-обобщеното семантично и синтактично базирано описание във ВърбНет. Въз основа на съотнасянето между трите ресурса и на вътрешната им структура се извлича класификация, чиито класификационни категории (семантичните класове) са пренесени от фреймовете (концептуалните структури) във ФреймНет, структурирани съобразно йерархичните отношения (хиперонимия/хипонимия) в УърдНет. В резултат от създадената класификация са приписани автоматично и впоследствие ранкирани по вероятност класове на по-голямата част от синонимните множества в УърдНет.

Докладът на Ивелина Стоянова на тема Factors and Features Determining the Inheritance of Semantic Primes between Verbs and Nouns within WordNet изследва механизмите за наследяване на семантични свойства между деривационно свързани глаголи и съществителни и определя три типа наследяване между семантичните примитиви на глаголите и съществителните: универсални – независими от аргументната структура на глагола, които могат да са събитийни и обстоятелствени; общи – характерни за цели класове глаголи (напр. агентивни/неагентивни); специфични за конкретни глаголи – зависят от аргументната структура (както е представена в ресурси като ВърбНет и ФреймНет). В разработката са предложени възможности за разширяване на покритието на семантичните релации въз основа на информация за аргументната структура и се дискутират закономерностите при наследяването на семантични характеристики от глаголите към съществителните и прилагането им за разширяване на УърдНет със семантични множества, за формулиране на различни проверки на последователността на данните и мн.др.

В рамките на сесията бе представена и демонстрация на уеб базираната система за редактиране и визуализация на уърднети Хидра (Борислав Ризов и Цветана Димитрова – Online Editor for WordNets). Функционалностите на системата позволяват редактиране на синонимни множества в произволен брой уърднети, включително чрез добавяне или отстраняване на синоними, съставяне и редактиране на тълковни дефиниции, примери и друга информация, добавяне или отстраняване на релации и др.

Високата научна стойност на докладите, одобрени за представяне в рамките на CLIB 2018, бе гарантирана чрез процедурата за подбор чрез двойно анонимно рецензиране. Всяка статия бе оценена от трима независими рецензенти, изтъкнати специалисти в съответната научна област. В продължение на традицията сборникът с доклади от Международната научна конференция „Компютърната лингвистика в България“ да се включва в престижни бази от данни с научни публикации, сборникът от третото издание е предложен за индексиране в ISI Web of Knowledge. Сборникът с доклади, програмата и снимковият материал са достъпни и електронно на страницата на Конференцията (http://dcl.bas.bg/clib/).

За отразяването на събитието голяма роля изигра медийният партньор на Конференцията – Националното издателство за образование и наука „Аз-буки“. Сътрудничеството на Института за български език с различни представители на бизнеса в сферата на информационните технологии е предпоставка за бъдещото развитие и създаването на научни разработки в областта на компютърната лингвистика и иновативни и обществено полезни езикови технологии. Конференцията си поставя амбициозната задача и в бъдеще да съдейства за изграждане на мрежа за сътрудничество между български учени в страната и чужбина, работещи в областта на компютърната лингвистика, и учени, разработващи езикови технологии, приложими за българския език. Следващото издание на международната научна конференция „Компютърната лингвистика в България“ ще се проведе през 2020 година.