💬 NLP

Comonadic Morphophonology: A Compositional Framework for Context-Dependent Morphological Rules in Finnish

Dit artikel introduceert een nieuw comonadisch raamwerk dat de Writer-comonad gebruikt om Finse morfophonologie te modelleren als samenvoegbare lokale functies, wat leidt tot een 67-voudige reductie in regelcomplexiteit ten opzichte van traditionele eindige-staatbenaderingen, terwijl het tegelijkertijd efficiënte bidirectionele morfologie met hoge nauwkeurigheid mogelijk maakt.

Oorspronkelijke auteurs: Yongseok Jang

Gepubliceerd 2026-05-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yongseok Jang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Probleem: De "State Explosion"

Stel je voor dat je een robot probeert te leren Fins spreken. Fins is een lastige taal waarbij woorden van vorm veranderen afhankelijk van wat er daarnaast komt.

Medeklinkergradatie: Als je een achtervoegsel toevoegt aan een woord zoals kaappi (kast), verandert de dubbele 'p' in een enkele 'p' (kaapi).
Vowelharmonie: Als het woord "achterste" klinkers heeft (zoals a, o, u), moet het achtervoegsel ook achterste klinkers gebruiken. Als het "voorste" klinkers heeft (zoals ä, ö, y), moet het achtervoegsel veranderen om hieraan te voldoen.

De traditionele manier om een computer dit te leren, is door een enorme kaart te bouwen (een Finite-State Transducer of FST). Denk aan deze kaart als een gigantisch doolhof. Elke keer als je een nieuwe regel toevoegt (zoals "verwijder een letter" of "verander een klinker"), moet je een nieuw doolhof bouwen dat het oude combineert met de nieuwe regel.

De Analogie: Stel je voor dat je een plattegrond van een stad hebt. Je wilt een regel toevoegen: "Als je een rood huis ziet, schilder het blauw." Vervolgens wil je nog een regel toevoegen: "Als je een blauw huis ziet, schilder het groen."
In het oude systeem moet je, om deze te combineren, de hele stadsplattegrond opnieuw tekenen voor elke mogelijke combinatie van regels. Als je 10 regels hebt, wordt de kaart zo enorm en complex dat de computer erdoor verstikt. Dit heet "state explosion".

De Nieuwe Oplossing: De "Comonadic" Aanpak

De auteur, Yongseok Jang, stelt een volledig andere manier voor om naar deze regels te kijken. In plaats van een gigantisch, vooraf getekend doolhof te bouwen, behandelt hij elke regel als een lokale werker die alleen kijkt naar zijn directe omgeving.

1. De "Zipper" (Het Bewegend Venster)

Stel je voor dat een woord een trein van wagons is. De computer kijkt niet naar de hele trein tegelijk. In plaats daarvan gebruikt het een Zipper (een datastructuur).

De Zipper richt zich op één specifieke wagon (de huidige letter).
Het kan de wagons direct links en rechts zien.
De regel zegt: "Kijk naar de wagon waarop je staat en de ene links van je. Op basis daarvan, bepaal wat jouw wagon moet worden."

Dit is vergelijkbaar met een cellulaire automaat (denk aan het spel Conway's Game of Life). Elke cel kijkt alleen naar zijn buren om zijn volgende toestand te bepalen.

2. De "Writer" (Het Verwijderingsprobleem)

Hier zit het lastige deel: sommige regels vereisen het verwijderen van een letter.

Voorbeeld: In kukka (bloem) wordt de dubbele 'k' een enkele 'k' (kuka). Een 'k' moet verdwijnen.
Het Oude Probleem: Als je een letter in het midden van een trein verwijdert, moeten de wagons erachter naar voren schuiven. Als je dit stap voor stap doet, breekt de "kaart" en werken de regels niet meer correct samen.
De Nieuwe Oplossing (De Writer Comonad): De auteur bedenkt een nieuw hulpmiddel genaamd de Writer Comonad.
- In plaats van de letter direct te verwijderen, plakt de werker een "Verwijder mij"-post-it op de letter.
- De werker houdt een lijst bij van alle post-its die hij heeft gevonden.
- De trein blijft bewegen, en de werkers blijven kijken naar de originele letters (ze negeren de post-its voorlopig).
- Pas aan het allerlaatste einde van het proces neemt de computer de trein, kijkt naar de lijst met post-its en verwijdert die letters allemaal tegelijk.

Dit houdt de regels simpel en voorkomt dat de "kaart" breekt. Het is als een bouwteam dat markeert welke bakstenen verwijderd moeten worden, de hele muur afmaakt, en daarna de bakstenen verwijdert, in plaats van elke keer dat een baksteen wordt verwijderd de muur opnieuw te moeten bouwen.

Waarom Dit Een Grote Zaken Is

Het artikel claimt drie belangrijke overwinningen:

Eenvoud: In plaats van 874 verschillende complexe "continuatieklassen" (zoals 874 verschillende doolhofpaden) nodig te hebben om Finse regels te hanteren, heeft dit nieuwe systeem slechts 13 eenvoudige functies (werkers) nodig. Dit is een 67-op-1 reductie in complexiteit.
Bidirectionele Magie: Omdat de regels gewoon eenvoudige functies zijn, werken ze in beide richtingen. Je kunt dezelfde logica gebruiken om een woord af te breken (Analyse) OF om van een stamwoord een nieuw woord te bouwen (Generatie). Het is als een omkeerbare rits: je kunt met hetzelfde mechanisme omhoog of omlaag ritsen.
Snelheid en Nauwkeurigheid: Het systeem is getest op Finse zinnen.
- Het identificeerde correct het woordsoort (zelfstandig naamwoord, werkwoord, enz.) voor 83,9% van de woorden met alleen deze regels.
- Toen ze een kleine helper toevoegden (een achtervoegsel-tagger), steeg dit naar 94,6%.
- Het verwerkt woorden ongelooflijk snel (microseconden), wat bewijst dat deze complexe wiskunde de computer niet vertraagt.

Samenvatting

Het artikel introduceert een nieuw wiskundig raamwerk (met behulp van Comonads) om taalregels te hanteren.

Oude Manier: Bouw een gigantische, stijve kaart die explodeert in omvang wanneer je regels toevoegt.
Nieuwe Manier: Gebruik kleine, lokale werkers (Zipper) die notities aan elkaar doorgeven (Writer Comonad) om verwijderingen en veranderingen te hanteren. Ze werken samen in een rij, en het eindresultaat wordt aan het einde samengesteld.

Dit maakt het systeem kleiner, makkelijker op te lossen en in staat om de lastige "verwijder een letter"-regels te hanteren die computermodellen normaal gesproken doen bezwijken.

Technische Samenvatting: Comonadische Morfophonologie

Probleemstelling
Huidige benaderingen van Finse morfophonologie staan voor een tweesplitsing tussen formele striktheid en compositieve efficiëntie. Traditionele cascades van eindige-toestanden-transducers (FST) (bijv. Voikko, Omorfi) coderen contextafhankelijke regels zoals medeklinkergradatie en klinkerharmonie als string-naar-string-relaties. Hoewel effectief, leidt het compositen van deze regels tot een multiplicatieve toestandenexplosie; de toestandsruimte van een gecombineerde automaat groeit als het product van zijn componenten, waardoor de representatie van regels complex wordt (bijv. Omorfi vereist 874 vervolgklassen om gedragingen te coderen die compacter uitgedrukt zouden kunnen worden). Omgekeerd bereiken neurale modellen hoge nauwkeurigheid, maar missen ze een formeel, interpreteerbaar verslag van de onderliggende morfophonologische regels. Bovendien worstelen bestaande kaders om lengteveranderende operaties (zoals medeklinkerverwijdering) binnen een strikt compositieve categorietheoretische structuur te hanteren zonder tussenliggende materialisatie of verlies van associativiteit.

Methodologie
Het artikel stelt een kader voor waarin morfophonologische regels worden behandeld als coKleisli-pijlen van een comonade, in plaats van als FST's. Deze benadering modelleert regels als functies van een gefocuste lokale context naar een enkel uitvoersegment, analoog aan lokale regels in cellulaire automata.

De Zipper-comonade: Het kader maakt gebruik van de ListZipper-datastructuur om een reeks weer te geven met een onderscheiden focus en linker/rechter context. Een regel wordt gedefinieerd als een functie $f: W a \to b$ , waarbij $W$ de Zipper-comonade is. De extend-operatie tilt deze lokale regel op tot een globale transformatie, waarbij deze op elke positie in de string wordt toegepast terwijl het contextbeeld voor elke positie behouden blijft.
De Writer-comonade voor verwijdering: Een centrale uitdaging is het hanteren van lengteveranderende regels (bijv. de verwijdering van k in puku $\to$ $\to$ puu). Een naïeve benadering met null-tekens breekt de strikte coKleisli-associativiteit omdat filtering tussenliggende sequenties vereist te materialiseren. De auteurs introduceren de Writer-comonade ( $DeletionSet \times Zipper$ $D e l e t i o n S e t \times Z i pp er$ ). In deze constructie:
- Regels retourneren een paar $(D, c)$ , waarbij $D$ een verzameling verwijderingsposities is en $c$ het uitvoerkarakter.
- Verwijderingen accumuleren als een monoid-actie (verzamelingunie) tijdens de extend-fase.
- Een enkele materialize-stap aan het einde van de pijplijn past alle geaccumuleerde verwijderingen toe.
- Dit behoudt strikte coKleisli-associativiteit ( $extend \ g \circ extend \ f = extend \ (g \circ extend \ f)$ ) zonder tussenliggende her-materialisatie.
Pijplijncompositie: Morfophonologische processen (Medeklinkergradatie, Klinkerharmonie, Klinkerkopieering voor bezitsuffixen) worden sequentieel samengesteld met behulp van de coKleisli-compositie-operator ( $>=>$ ). De pijplijn wordt gedefinieerd als:
$pipe = grad >=> harmony >=> poss$
Deze structuur zorgt ervoor dat regels onafhankelijk, testbaar en volgorde-expliciet zijn.
Bidirectionele Morphologie: Dezelfde coKleisli-pijlen die worden gebruikt voor analyse (decodering) worden hergebruikt voor generatie (codering) via een MorphGenerator, waardoor de logica voor beide richtingen wordt verenigd.
Meervoudige Abstracieniveaus: Het kader gaat verder dan regels op karakterniveau tot harmonie op morfemniveau en ontmaskering op zinsniveau (Constraint Grammar-lite). Door het elementtype van de Zipper te wijzigen (van char naar ReadingSet), geldt dezelfde algebraïsche structuur voor alle niveaus.

Belangrijkste Bijdragen

De Writer-comonade: Het artikel presenteert de eerste toepassing van een Writer-comonade (specifiek $DeletionSet \times Zipper$ ) in computationele morfologie om lengteveranderende regels compositief te hanteren. Dit lost het algebraïsche probleem van verwijdering in coKleisli-pijplijnen op.
Reductie van Regelrepresentatie: Het kader drukt dezelfde morfophonologische gedragingen uit die door Omorfi's 874 vervolgklassen worden gecodeerd, met slechts 13 coKleisli-pijlen (11 gradatiepatronen + harmonie + bezit), wat een 67:1 reductie op het niveau van regelrepresentatie oplevert.
Formele Unificatie: Het vestigt het eerste kader dat morfophonologische regels behandelt als eersteklas compositieve objecten met formele combinatiewetten, en zo de kloof overbrugt tussen de theorie van cellulaire automata (Capobianco en Uustalu, 2010) en natuurlijke taalverwerking.
Implementatie (MCE): Een Rust-bibliotheek (Morphological Computation Engine) die dit kader implementeert, gericht op WebAssembly, met geverifieerde comonad-wetten en monoid-eigenschappen.

Resultaten
Het systeem werd geëvalueerd op de UD Finnish-TDT-ontwikkelset (1.364 zinnen, ~25.000 tokens):

Nauwkeurigheid: Het systeem behaalde 83,92% UPOS-nauwkeurigheid met alleen regelgebaseerde ontmaskering (62 actieve CG-regels). Bij uitbreiding met een lichtgewicht externe suffixtagger steeg de nauwkeurigheid naar 94,66%, waardoor de kloof met de neurale baseline (TNPP) werd verkleind van 12,99 procentpunten naar 2,25.
Prestaties: De pijplijn verwerkt ongeveer 84.973 tokens per seconde op een Apple M-serie CPU. De volledige morfophonologische pijplijn gemiddeld 2,66 µs per woord, wat aantoont dat coKleisli-compositie verwaarloosbare overhead introduceert in vergelijking met monolithische FST-implementaties.
Correctheid: Alle 11 medeklinkergradatiepatronen werden correct formeel vastgelegd. Zeven patronen vertoonden volledige bidirectionele rondreis-correctheid; de vier gevallen zonder rondreis betroffen verwijdering, wat verwijdering bevestigt als de enige bron van irreversibiliteit in het huidige model.
Ontwikkelaars-Ergonomie: Het toevoegen van een nieuwe regel vereist het definiëren van één coKleisli-pijl (~5 regels Rust), terwijl FST-systemen vaak het aanpassen van honderden LEXICON-invoer vereisen om interactiecombinaties te compenseren.

Betekenis en Aanspraken
Het artikel claimt een compositiealgebra te bieden voor morfophonologische regels die FST-cascades slechts behandelen via vermenigvuldiging van de toestandsruimte. Door gebruik te maken van de Writer-comonade, herstelt het kader de strikte coKleisli-compositiviteit voor lengteveranderende regels, een probleem dat eerder onopgelost bleef zonder multiplicatieve toestandenexplosie.

De auteurs positioneren dit werk niet als vervanging voor lexicale bronnen (het systeem is nog steeds afhankelijk van een van Voikko afgeleide FST voor lexicaal zoeken), maar als een modulaire, orthogonale laag voor regeltoepassing. Zij betogen dat deze benadering superieure modulariteit, debugbaarheid (per-regel testen) en formele garanties biedt in vergelijking met FST-intersectie. Het artikel merkt bescheiden op dat hoewel het agglutinerende fenomenen zoals gradatie en harmonie behandelt, het nog geen dekking biedt voor templatistische morfologie (wortel-en-patroon) of reduplicatie, die segmentinvoeging of -kopieering vereisen die buiten het huidige bereik valt. Het kader wordt gepresenteerd als een praktische morfologische engine die de bruikbaarheid van comonadische structuren in NLP valideert.