12.2 上下文无关文法

在英语和其他自然语言中，最广泛使用的用于建模成分结构的形式系统（formal system）是上下文无关文法（Context-Free Grammar），即 CFG。上下文无关文法也被称为短语结构文法（Phrase-Structure Grammars），其形式上等同于巴科斯-诺尔范式（Backus-Naur Form），即 BNF。将文法建立在成分结构上的想法可以追溯到心理学家 Wilhelm Wundt (1900)[^1]，但直到 Chomsky (1956)[^2] 和 Backus (1959)[^3] 才被形式化。

上下文无关语法由一组规则（rules）或产生式（productions）组成，它们都表达了语言符号可以组合和排序在一起的方式，以及单词和符号的词典（lexicon）。例如，以下产生式表达了 NP（即名词短语（noun phrase））可以由专有名词（ProperNoun）或定语（determiner）（Det）组成，后面跟着一个名词性词（Nominal）；Nominal 反过来可以由一个或多个 Nouns 组成。[^4]

NP $\rightarrow$ Det Nominal NP $\rightarrow$ ProperNoun Nominal $\rightarrow$ Noun | Nominal Noun

上下文无关规则可以分层嵌入，所以我们可以把前面的规则和其他的规则结合起来，比如下面的规则，表达了关于词典的情况：

Det $\rightarrow$ a Det $\rightarrow$ the Noun $\rightarrow$ flight

CFG 中使用的符号被分为两类。与语言中的词（“the”、“nightclub”）相对应的符号被称为终结符（terminal）；词典（lexicon）是引入这些终结符的规则集。用于抽象表达这些终结符的符号被称为非终结符（non-terminal）。在上下文无关规则中，箭头（$\rightarrow$）右边的项目是一个或多个终结符和非终结符的有序列表；箭头左边是单个非终结符，表达某种聚类或概括。与词典中每个词相关的非终结符是它的词类或词性。

我们可以从两个方面来考虑 CFG：一个是视为生成句子的装置，一个是为给定句子分配结构的装置。当把 CFG 看作是一个生成器时，我们可以把 $\rightarrow$ 理解为“用右边的符号串重写左边的符号”。

步骤	结果
从符号 NP 开始：	NP
我们可以根据第一条规则将其重写为：	Det Nominal
然后重写 Nominal：	Det Noun
最后重写词性：	a flight

我们说可以从非终结符 NP 派生出字符串 a flight 。因此，CFG 可以用来生成一组字符串。这个规则扩展序列被称为词串的派生（derivation）。通常用一棵分析树（parse tree）来表示一个派生（通常是倒置显示，根在顶部）。图 12.1 显示了这种派生的树状表示。

图 12.1

在图 12.1 所示的分析树中，我们可以说节点 NP 支配着（dominates）树上的所有节点（Det、Nom、Noun、a、flight）。我们可以进一步说，它直接支配了节点 Det 和 Nom。

CFG 所定义的形式语言是由指定的起始符（start symbol）所派生出来的字符串的集合。每个语法都必须有一个指定的起始符，通常称为 S。由于上下文无关文法经常被用来定义句子，所以 S 通常表示“sentence”节点，而从 S 派生出来的字符串集就是某个简化版英语中的句子集。

让我们再添加一些额外的规则。下面的规则表述了这样一个事实：一个句子可以由一个名词短语和一个动词短语（verb phrase）组成，其中动词短语跟在名词短语后面：

S $\rightarrow$ NP VP I prefer a morning flight

英语中的动词短语由一个动词和跟在其后的其他各种词组成。例如，有一种动词短语是由一个动词和一个名词短语组成：

VP $\rightarrow$ Verb NP prefer a morning flight

动词后跟的也可能是一个名词短语和一个介词短语：

VP $\rightarrow$ Verb NP PP leave Boston in the morning

或者动词后单独跟一个介词短语：

VP $\rightarrow$ Verb PP leaving on Thursday

介词短语一般是介词后跟着一个名词短语。例如，在 ATIS 语料库中，有一种常见的介词短语被用来表示位置或方向：

PP $\rightarrow$ Preposition NP from Los Angeles

PP 内的 NP 不一定是一个地点。PP 经常与时间和日期一起使用，也可以与其他名词一起使用，可能很简单也可能很复杂。下面是 ATIS 语料库中的十个 PP 例子：

to Seattle in Minneapolis on Wednesday in the evening on the ninth of July on these flights about the ground transportation in Chicago of the round trip flight on United Airlines of the AP fifty seven flight with a stopover in Nashville

图 12.2 给出了一个样本词典，图 12.3 总结了我们到目前为止所看到的语法规则，我们将其称为 $\mathscr{L}_0$。请注意，我们可以使用或符号 | 来表示一个非终结符有其他可选扩展。

图 12.2

图 12.3

我们可以用这个语法来生成“ATIS 语言”的句子。我们从 S 开始，将其扩展为 NP VP，然后随机扩展 NP（比如，扩展为 I），以及 VP（比如，扩展为 Verb NP），以此类推，直到我们生成 I prefer a morning flight 这个字符串。图 12.4 显示了一个分析树，它描述了 I prefer a morning flight 的完整派生过程。

图 12.4

我们也可以用一种更为紧凑的格式来表示分析树，称为括弧标记法（bracketed notation）。下面是图 12.4 的分析树对应的括弧表示：

$[S ; [{NP} ; [{Pro} ; \text{I}]] ; [{VP} ; [V ; \text{prefer}] ; [{NP} ; [{Det} ; \text{a}] ; [{Nom} ; [N ; \text{morning}] ; [{Nom} ; [_N ; \text{flight}]]]]]]$

像 $\mathscr{L_0}$ 这样的 CFG 定义了一种形式语言（formal language）。我们在第二章看到，形式语言是一组字符串。如果一个句子可以由该语法规则派生出来，那么这个句子就在由该语法规则所定义的形式语言中，并被称符合语法的句子（grammatical sentences）。反之，该句子则是不符合语法的（ungrammatical）。

这种“在”或“不在”的硬性界线是所有形式语言的特征，但这只是自然语言真正运作原理的一个非常简化的模型。这是因为确定一个给定的句子是否属于一个给定的自然语言（例如英语）往往要取决于上下文。在语言学中，使用形式语言的方式来建模自然语言被称为生成文法（generative grammar），因为语言是由该语法所“生成”的可能句子集所定义的。

12.2.1 上下文无关文法的形式定义

在这一节的最后，我们将快速、正式地描述一下上下文无关文法及其生成的语言。一个上下文无关文法 $G$ 是由四个参数定义的：$N$、$\Sigma$、$R$ 和 $S$（技术上来说这是一个“4元组”）。

参数	意义
$N$	一个非终结符（或者叫变量）的集合
$\Sigma$	一个终结符的集合（与 $N$ 无交集）
$R$	一个规则或者产生式的集合，每个元素都是 $A \rightarrow \beta 的形式，其中 $A$ 是非终结符，$\beta$ 是无穷集 $(\Sigma \cup N)^*$ 的一个元素
$S$	一个指定的起始符，为 $N$ 的一个元素

在本书的剩余部分，当讨论上下文无关文法的形式属性时，我们遵循以下约定（而不是重复解释关于英语或其他语言的特定事实）：

解释	术语
大写字母，如 $A$、$B$ 和 $S$	非终结符
$S$	起始符
小写希腊字母，如 $\alpha$、$\beta$ 和 $\gamma$	采样自 $(\Sigma \cup N)^*$ 的字符串
小写罗马字母，如 $u$、$v$ 和 $w$	终结符字符串

语言是通过派生的概念定义的。如果一个字符串可以通过应用一系列规则来重写为第二个字符串，则称第一个字符串派生第二个字符串。更正式地定义可以参考 Hopcroft and Ullman (1979)[^5]：

如果 $A \rightarrow B$ 是 $R$ 中的一个产生式，$\alpha 和 \gamma$ 是集合 $(\Sigma \cup N)^*$ 中的任意字符串，那么我们说 $\alpha A \gamma$ 直接派生（directly derives）了 $\alpha B \gamma$，记为 $\alpha A \gamma \Rightarrow \alpha B \gamma$。

然后派生是直接派生的一种推广形式：

假设 $\alpha_1,\alpha_2,...,\alpha_m$ 是 $(\Sigma \cup N)^*$ 中的字符串，$m \geq 1$，使得下式成立：

$\alpha_1 \Rightarrow \alpha_2,\alpha_2 \Rightarrow \alpha_3,...,\alpha_{m-1} \Rightarrow \alpha_m$

那么我们说 $\alpha_1$ 派生（derives）了 $\alpha_m$，记为 $\alpha_1 \overset{\ast}{\Rightarrow} \alpha_m$。

然后，我们可以将文法 $G$ 生成的语言 $LG$ 正式定义为由从指定的起始符 $S$ 派生的终结符组成的字符串的集合。

$\mathscr{L}_G = {w | w \; \text{is in} \; \Sigma \ast \;\text{and} \; S \overset{\ast}{\Rightarrow} w}$

从一个词串映射到其解析树的问题被称为句法解析（syntactic parsing）。我们在第 13 章定义了成分解析（constituency parsing）的算法。

[^1]: Wundt,W. 1900. V¨olkerpsychologie: eine Untersuchung der Entwicklungsgesetze von Sprache, Mythus, und Sitte. W. Engelmann, Leipzig. Band II: Die Sprache, Zweiter Teil. [^2]: Chomsky, N. 1956. Three models for the description of language. IRE Transactions on Information Theory, 2(3):113–124. [^3]: Backus, J. W. 1959. The syntax and semantics of the proposed international algebraic language of the Zurich ACM-GAMM Conference. Information Processing: Proceedings of the International Conference on Information Processing, Paris. UNESCO. [^4]: 在谈论这些规则时，我们可以将右箭头 $\rightarrow$ 读为“goes to”，因此我们可以将上面的第一条规则读为“NP goes to Det Nominal”。 [^5]: Hopcroft, J. E. and J. D. Ullman. 1979. Introduction to Automata Theory, Languages, and Computation. Addison-Wesley.