💬 NLP

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

本文引入了一种新颖的余单子框架，利用 Writer 余单子将芬兰语形态音系建模为可组合的局部函数，在实现高精度高效双向形态分析的同时，相较于传统的有限状态方法将规则复杂度降低了 67 倍。

原作者： Yongseok Jang

发布于 2026-05-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Yongseok Jang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是用简单语言和日常类比对该论文的解读。

大问题：“状态爆炸”

想象你正在教机器人说芬兰语。芬兰语是一门棘手的语言，单词的形状会根据其后跟随的内容而改变。

辅音交替：如果你在像 kaappi（橱柜）这样的词后面加上后缀，双写的 'p' 会变成单写的 'p'（kaapi）。
元音和谐：如果单词包含“后元音”（如 a, o, u），词尾也必须使用后元音。如果它包含“前元音”（如 ä, ö, y），词尾必须改变以匹配。

教导计算机处理这一点的传统方法是构建一张巨大的地图（有限状态转换器或 FST）。将这张地图想象成一个巨大的迷宫。每当你添加一条新规则（例如“删除一个字母”或“改变一个元音”）时，你就必须构建一个将旧迷宫与新规则结合起来的新迷宫。

类比：想象你有一张城市地图。你想添加一条规则：“如果你看到红房子，把它漆成蓝色。”然后你想添加另一条规则：“如果你看到蓝房子，把它漆成绿色。”
在旧系统中，为了合并这些规则，你必须为每一种可能的规则组合重新绘制整个城市地图。如果你有 10 条规则，地图会变得如此巨大和复杂，以至于计算机无法处理。这被称为“状态爆炸”。

新方案：“余单子”（Comonadic）方法

作者 Yongseok Jang 提出了一种完全不同的思考这些规则的方式。他不再构建一个预先绘制好的巨大迷宫，而是将每条规则视为一个局部工人，只关注其紧邻的“街区”。

1. “拉链”（移动窗口）

想象一个单词是一列火车车厢。计算机不会一次性查看整列火车。相反，它使用一个拉链（一种数据结构）。

拉链聚焦于一辆特定的车厢（当前的字母）。
它可以看见紧邻其左侧和右侧的车厢。
规则是：“看看你站着的车厢和你左边的车厢。基于此，决定你的车厢应该变成什么。”

这就像元胞自动机（想想游戏《康威生命游戏》）。每个细胞只观察其邻居来决定其下一个状态。

2. “写入器”（删除问题）

这里是棘手之处：有些规则需要删除一个字母。

例子：在 kukka（花）中，双写的 'k' 变成单写的 'k'（kuka）。一个 'k' 必须消失。
旧问题：如果你在火车中间删除一个字母，后面的车厢必须向前移动。如果你一步步这样做，“地图”就会断裂，规则也无法正确协同工作。
新方案（写入器余单子）：作者发明了一种新工具，称为写入器余单子。
- 工人不是立即删除字母，而是在该字母上贴一张“删除我”的便利贴。
- 工人保留一份他们发现的所有便利贴的清单。
- 火车继续前进，工人们继续查看原始字母（暂时忽略便利贴）。
- 仅在过程的最后，计算机才拿起火车，查看便利贴清单，并一次性移除那些字母。

这保持了规则的简单性，并防止了“地图”断裂。这就像建筑工人标记要移除哪些砖块，完成整面墙的建造，然后再取出那些砖块，而不是每次移除一块砖时都试图重建整面墙。

为什么这很重要

该论文宣称取得了三大主要胜利：

简洁性：为了处理芬兰语规则，旧方法需要874种不同的复杂“延续类”（就像 874 条不同的迷宫路径），而新系统只需要13个简单的函数（工人）。复杂度降低了67 倍。
双向魔法：因为规则只是简单的函数，所以它们可以双向工作。你可以使用相同的逻辑将一个单词拆解（分析），或者从一个词根构建一个新词（生成）。这就像有一个可逆的拉链：你可以用相同的机制向上拉或向下拉。
速度与准确性：该系统在芬兰语句子中进行了测试。
- 仅使用这些规则，它就能正确识别**83.9%**单词的词性（名词、动词等）。
- 当他们添加一个小助手（后缀标记器）时，这一比例跃升至94.6%。
- 它处理单词的速度极快（微秒级），证明了这种复杂的数学运算不会拖慢计算机的速度。

总结

该论文引入了一种新的数学框架（使用余单子）来处理语言规则。

旧方法：构建一个巨大的、僵化的地图，当你添加规则时，它会因体积膨胀而崩溃。
新方法：使用小型的局部工人（拉链），他们通过互相传递便签（写入器余单子）来处理删除和变化。他们按顺序协同工作，最终结果在末尾组装完成。

这使得系统更小巧、更易于修复，并且能够处理通常会使计算机模型崩溃的棘手“删除字母”规则。

技术摘要：余单子形态音系学

问题陈述
当前芬兰语形态音系学的方法面临形式严谨性与组合效率之间的二元对立。传统的有限状态转换器（FST）级联（例如 Voikko、Omorfi）将辅音交替和元音和谐等上下文相关规则编码为字符串到字符串的关系。虽然有效，但组合这些规则会导致状态空间呈乘性爆炸；组合自动机的状态空间随其组件的乘积增长，使得规则表示变得复杂（例如，Omorfi 需要 874 个延续类来编码那些本可以更紧凑地表达的行为）。相反，神经模型虽然实现了高准确率，但缺乏对底层形态音系规则的形式化、可解释的说明。此外，现有框架难以在严格组合的范畴论结构中处理改变长度的操作（如辅音删除），除非进行中间实例化或牺牲结合律。

方法论
本文提出了一种框架，将形态音系规则视为余 Kleisli 箭头（coKleisli arrows），而非 FST。该方法将规则建模为从聚焦的局部上下文到单个输出段落的函数，类似于元胞自动机中的局部规则。

拉链余单子（The Zipper Comonad）： 该框架利用 ListZipper 数据结构来表示具有区分焦点及左右上下文的序列。规则被定义为函数 $f: W a \to b$ ，其中 $W$ 是拉链余单子。extend 操作将这一局部规则提升为全局变换，将其应用于字符串中的每个位置，同时为每个位置保留上下文视图。
用于删除的 Writer 余单子（The Writer Comonad for Deletion）： 一个核心挑战是处理改变长度的规则（例如 puku $\to$ $\to$ puu 中 k 的删除）。使用空字符的朴素方法会破坏严格的余 Kleisli 结合律，因为过滤需要实例化中间序列。作者引入了Writer 余单子（ $DeletionSet \times Zipper$ $D e l e t i o n S e t \times Z i pp er$ ）。在此构造中：
- 规则返回一对 $(D, c)$ ，其中 $D$ 是删除位置集合， $c$ 是输出字符。
- 删除操作在 extend 阶段作为幺半群作用（集合求并）进行累积。
- 在流水线末端执行单个 materialize 步骤，应用所有累积的删除操作。
- 这在不进行中间重新实例化的情况下，保持了严格的余 Kleisli 结合律（ $extend \ g \circ extend \ f = extend \ (g \circ extend \ f)$ ）。
流水线组合： 形态音系过程（辅音交替、元音和谐、所有格后缀元音复制）使用余 Kleisli 组合运算符（ $>=>$ ）按顺序组合。流水线定义为：
$pipe = grad >=> harmony >=> poss$
该结构确保规则是独立的、可测试的，且顺序明确。
双向形态学： 用于分析（解码）的相同余 Kleisli 箭头通过 MorphGenerator 被重用用于生成（编码），从而统一了两个方向的逻辑。
多级抽象： 该框架将范围从字符级规则扩展到词素级和谐及句子级消歧（轻量级约束语法）。通过将 Zipper 的元素类型从 char 更改为 ReadingSet，相同的代数结构适用于所有层级。

主要贡献

Writer 余单子： 本文首次将 Writer 余单子（具体为 $DeletionSet \times Zipper$ ）应用于计算形态学，以组合式地处理改变长度的规则。这解决了余 Kleisli 流水线中删除操作的代数问题。
规则表示缩减： 该框架仅使用13 个余 Kleisli 箭头（11 种交替模式 + 和谐 + 所有格）表达了 Omorfi 中由 874 个延续类编码的相同形态音系行为，在规则表示层面实现了67:1 的缩减。
形式化统一： 它建立了首个将形态音系规则视为具有形式化组合律的一等组合对象的框架，弥合了元胞自动机理论（Capobianco 和 Uustalu, 2010）与自然语言处理之间的差距。
实现（MCE）： 一个名为“形态计算引擎”（Morphological Computation Engine）的 Rust 库实现了该框架，面向 WebAssembly，并验证了余单子定律和幺半群属性。

结果
该系统在 UD Finnish-TDT 开发集（1,364 个句子，约 25,000 个词元）上进行了评估：

准确率： 仅使用基于规则的消歧（62 个活跃 CG 规则），系统实现了 83.92% 的 UPOS 准确率。当辅以轻量级外部后缀标记器后，准确率上升至 94.66%，将神经基线（TNPP）的差距从 12.99 个百分点缩小至 2.25 个百分点。
性能： 该流水线在 Apple M 系列 CPU 上每秒处理约 84,973 个词元。完整形态音系流水线平均每词耗时 2.66 微秒，表明与单体 FST 实现相比，余 Kleisli 组合引入的开销微乎其微。
正确性： 所有 11 种辅音交替模式均被正确形式化。其中七种模式表现出完整的双向往返正确性；其余四种非往返情况涉及删除操作，证实删除是当前模型中不可逆性的唯一来源。
开发者人体工程学： 添加新规则仅需定义一个余 Kleisli 箭头（约 5 行 Rust 代码），而 FST 系统通常需要修改数百个 LEXICON 条目以应对交互组合。

意义与主张
本文主张提供一种形态音系规则的组合代数，而 FST 级联仅通过状态空间乘法来处理此类问题。通过利用 Writer 余单子，该框架恢复了改变长度规则的严格余 Kleisli 组合性，解决了此前未解决且会导致乘性状态爆炸的问题。

作者将这项工作定位为对词库资源的补充（该系统仍依赖源自 Voikko 的 FST 进行词库查找），而非替代，将其作为规则应用的模块化、正交层。他们认为，与 FST 交集相比，这种方法提供了更优越的模块化、可调试性（按规则测试）和形式化保证。文章谦逊地指出，虽然它处理了如交替和和谐等黏着语现象，但尚未涵盖模板形态学（词根 - 模式）或重叠，这些需要超出当前范围的段插入或复制。该框架被呈现为一个实用的形态引擎，验证了余单子结构在自然语言处理中的效用。