Автоматическое разрешение кореференции местоимений третьего лица русскоязычных текстов тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Толпегин, Павел Владимирович

• Толпегин, Павел Владимирович
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Толпегин, Павел Владимирович

Аппарат сокращений, терминов и понятий.

ВВЕДЕНИЕ.

ГЛАВА 1. ЗАДАЧА РЕФЕРЕНЦИАЛЫЮГО АНАЛИЗА И МЕТОДЫ

РЕШЕНИЯ.

1.1. Первично-семантический граф.

1.2: Вопросы референциального анализа.

1.3. Классификация видов межклаузной кореференции.

1.3.1. Вид №1. Кореференция на основе местоимений.

1.3.2. Вид №2. Синонимия отдельных слов, именных групп и более сложных конструкций.

1.3.3. Вид №3. Меронимические, родовые и видовые отношения.

1.3.4. Вид №4. Логико-интуиционистские нечеткие правила.

1.3:5. Вид №5. На основе метафорического переноса.

1.4. Знания, используемые дляразрешения местоименной анафоры.

1.4.1. Морфологические и лексические знания.

1.4.2. Синтаксические знания.

1.4.3. Семантические знания.

1.4.4. Знания дискурса.

1.4.5. Знания о Мире.

Г. 5. Этапы разрешения местоименной анафорьь.

1.5.1. Идентификация анафорических местоимений.

1.5.2. Идентификация анафорических именных групп.

1.5.3. Центрирование.

1.5.4. Соподчинённостъ.

1.6. Обзор существующих исследований и решений. Работы 60-х, 70-х и 80-х гг.

1.6.1. SHRDLU.

1.6.2. LUNAR.

1.6.3. Алгоритм Дж. Хоббса.

1.6.4. BFP-алгоритм:.

1.6.5. " Упрощенный подход Картера.

1.6.6. Распределенная архитектура Рич и ЛуперФой.

1.6.7. Стратегический подход Карбонелл и Браун.

1.6.8. Другие работы.

1.7. Корпусно-ориентированные подходы 90-х годов.

1.7.1. Подход, основанный на сочетаелюсти шаблонных компонентов.

1.7.2. Алгоритм Шалом Лапшин и Герберт Лисс.

1.7.3. Сравнение с другими подходами.

1.7.4. Подход Кеннеди и Богураев.

1.7.5. Национальные практические решения по разрешению анафоры.

1.7.6. Машинное обучение в задаче разрешения анафоры.

1.8. Автоматическое разрешение кореференции для стандартного набора признаков.

1.8.1. Технология решения.

1.8.2. Признаковое пространство.

1.8.3. Структура решающего правила.

1.8.4. Алгоритм разрешения анафоры.

1.8.5. Результаты.

1.9. ВЫВОДЫ.

ГЛАВА 2. ВЫЧИСЛЕНИЕ ПРИЗНАКОВ В ЗАДАЧЕ УСТАНОВЛЕНИЯ КОРЕФЕРЕНТНЫХ СВЯЗЕЙ.

2.1. Структура решения.

2.2. Разрешение референции для расширенного признакового пространства

2.3. Структура решения.

2.4. Технологические аспекты разработанных алгоритмов по формированию расширенного признакового пространства.

2.4.1. Расширение набора частей речи, способных выступать в качестве гипотетического антецедента.

2.4.2. Порядок слов запроса при поиске в неразмеченном корпусе.

2.4.3. Способ определения глагольной группы, управляющей анафором.

2.4.4. Специфика притяжательных местоимений.

2.4.5. Роль уточняющего (присвязочного) слова при корпусном поиске.

2.5. Алгоритмы и методы формирования расширенного признакового пространства.

2.5.1. Алгоритм составления оценок степени одушевлённости для валентностей русскоязычных глаголов.

2.5.2. Алгоритм синтаксической деривации для способа 2.4.3•.

2.5.3. Алгоритм определения конфликтующих антецедентов.

2.5.4. Алгоритм некореферентности анафора с гипотетическим антецедентом.

2.5.5. Алгоритм некореферентности местоимений.

2.5.6. Алгоритм построения гипотез сочетаемости глагольной группы н гипотетического антецедента.

2.6. Разрешение кореференции для расширенного признакового пространства.

2.6.1. Определение числа гипотетических антецедентов.

2.6.2. Нахождение оптимального признакового пространства.

ГЛАВА 3. МОДЕЛИ РАСПОЗНАВАНИЯ КОРЕФЕРЕНТНОЙ СВЯЗИ

3.1. Признаковое пространство задачи.

3.2. Постановка общей задачи для определения кореферентной связи между анафором и антецедентом.

3.3. модель MB распознавания кореференции.

3.4. Модель DSE распознавания кореференции.

ГЛАВА 4. ПРОГРАММНЫЙ КОМПЛЕКС РАСПОЗНАВАНИЯ

КОРЕФЕРЕНТНЫХ СВЯЗЕЙ И РЕЗУЛЬТАТЫ ПРАКТИЧЕСКИХ ПРИМЕНЕНИЙ.

4.1. Методы и показатели распознавания.

4.2. Определение кореферентного антецедента в модели MB.

4.3. Программная среда установления кореферентных связей и аккумуляции статистических данных.

4.4. Определение кореферентного антецедента в модели DSE.

4.5. Параметры анализируемых текстов.

4.6. Влияние разрешения кореференции в разрешении морфологической неоднозначности.

4.7. Расширенная постановка задачи.

4.7.1. Описание задачи.

4.7.2. Подходы к решению.

ГЛАВА 5. ВЫВОДЫ.

Введение диссертации (часть автореферата) на тему «Автоматическое разрешение кореференции местоимений третьего лица русскоязычных текстов»

г

Автоматическое разрешение анафорических (кореферентных) связей в естественно-языковых (ЕЯ) текстах находится в фокусе внимания исследователей и является одной из центральных проблем в автоматической обработке текстов (АОТ).

Описывая некоторый объект, многообразие его связей и отношений с другими объектами, говорящий (или пишущий) вынужден неоднократно прибегать к упоминанию в тексте имени одного и того же объекта. Это обстоятельство обусловлено линейной структурой текста. При извлечении информации из текста, написанного на естественном языке, одной из важнейших лингвистических проблем является отождествление объектов, повторно упомянутых в тексте [Ильин и др., 1969]. Актуальным является перевод линейной структуры текста в структуру, содержащую сложные смысловые отношения между объектами Мира. Установлению таких отношений (отношений тождества, или отношений кореференции) на примере местоимений третьего лица и посвящено настоящее исследование.

Разрешение анафоры — установление анафорических связей, является одной из центральных проблем в задаче автоматического синтаксического анализа г русскоязычных ЕЯ-текстов. Функциональная сторона разрешения анафоры, как этапа ЕЯ-анализа, заключается в установлении зависимостей между объектами (именными и другими группами), упоминаемыми в простых предложениях г клаузах) на протяжении целого дискурса. г

В представленной работе исследуется проблема разрешения анафоры с использованием больших корпусов текстов и методов математической теории распознавания.

Работа с корпусами текстов представляется актуальной по ряду причин. Во-первых, в 60 - 90-е гг. XX в. семантические и иные виды знаний закладывались в ЭВМ вручную в форме частных правил, что не гарантировало их объективность, репрезентативность, полноту и точность. Во-вторых, получить достоверные числовые характеристики и показатели от работы с корпусом можно, оперируя с большими объёмами текста (более 10 Тбайт). Эффективная работа с текстами указанного объёма стала возможной за последнее время благодаря развитию компьютерной техники, поисковых технологий и доступности больших объёмов текстовых данных в сети Интернет.

Особый интерес автоматическое разрешение анафорических связей (в частности - кореференции местоимений) представляет при проектировании систем автоматического машинного перевода, информационного поиска и разработке вопросно-ответных систем. Последние могут быть также полезны для расширения смыслового представления текста (например, в модели «Смысл <-> Текст» [Мельчук, 1974], а также в модуле первичного семантического анализа [Сокирко, 2005]). Вместе с тем, несмотря на востребованность практических систем автоматического определения кореферентных связей, известных развитых разработок для русского языка в настоящее время не существует. На этом фоне, однако, продолжают совершенствоваться зарубежные разработки анализа национальных текстов.

Учитывая изложенное, компьютерная обработка русскоязычного текста, осуществляющая автоматическое определение кореферентных связей между местоимением (анафором, в нашем случае - местоимением третьего лица) и г стоящим ранее по тексту неким объектом Мира (антецедентом), представляется актуальной задачей. г

Согласно [Дикарева, 1987], анафора представляет собой явление, при котором смысл одного элемента текста (линейно вторичного) определяется смыслом другого элемента того же текста (линейно первичного, антецедента). Анафорической функцией могут обладать особые разряды местоимений и другие текстовые средства - повторы, синонимы, перифразы, а также нулевой анафорический знак - эллипсис.

Так, в примере: «Вот на берег выйти гостьЦарь Салтан зовет шс, в гости» (А. Пушкин) анафорическая связь «гости-их» реализует отношение г кореферентности, т.е. тождества лиц, обозначенных анафором (зд. — местоимением) и его антецедентом.

В последнее время становятся популярными работы на научной базе Г. Хирста, Ш. Лаппина, Р. Миткова, М. Поэсио и др. по созданию ЕЯ-корпусов для западноевропейских языков, размеченных на предмет референции. К сожалению, Национальный корпус русского языка [НКРЯ] не имеет на сегодняшний момент анафорической разметки.

Помимо задачи создания размеченного на предмет референциальных связей корпуса, более сложной и нетривиальной представляется задача выделения признаков, влияющих на референциальный анализ. Вместе с тем, большую роль играют программные средства, позволяющие с высокой степенью точности автоматически определять параметры ЕЯ-текста в* рамках определенных признаков.

Можно выделить следующие сложившиеся подходы, применяющиеся для решения как задачи референциального анализа, так и смежных задач.

1. Подход, основанный на системе правил. Правила задают условие и решение (по референциальному выбору). Приоритет правил устанавливается в зависимости от заданных коэффициентов. Как и правила, так и коэффициенты (в ряде систем - штрафные очки) задаются экспертом вручную. Подход применим для адекватно простых задач. С обратной стороны, заданные вручную правила могут не отвечать требованиям полноты и могут не покрывать полное пространство возникающих случаев. Ручное введение оценочных и штрафных значений нередко создает коллизии даже тогда, когда правила работают верно.

2. Современные методы машинного обучения [Журавлев и др., 2006] позволяют получать обученные модели вместе с показателями их репрезентативности и эффективности. Для этого требуется сформировать обучающую выборку, в которую войдут статистические данные по признакам и установленный экспертом правильный ответ (номер класса). Исследование может оказаться малоэффективным, если статистические данные формируются не автоматически. Данный подход является наиболее универсальным, но для получения корректных результатов требуется кропотливая подготовка экспериментальной статистики, ручная работа эксперта по указанию правильного ответа для каждого объекта обучения и особого профессионального опыта работы с различными методами машинного обучения. г

З.п-грамм является известным подходом, получил большую огласку в связи с выпуском в продажу международной поисковой компанией Google 6 DVD-дисков с пентаграммами для английского языка в августе 2006 года. Подход n-грамм может быть использован как отдельно, так и совместно с подходами, упомянутыми выше.

К исследованиям в области математической и прикладной лингвистики с помощью n-грамм можно отнести: работу [Сокирко и др., 2005] в области автоматического снятия морфологической омонимии для русскоязычных текстов. В основу идеи, положена работа с триграммами, имеющими предварительную ручную морфологическую разметку; работу [Протасов, 2006] по обучению «с нуля» грамматики связей русского языка, которая не требует ручной работы эксперта по разметке и обучению, что в очередной раз доказывает оригинальность подхода. С помощью русскоязычных n-грамм созданное автором решение способно устанавливать синтаксические связи внутри простого предложения. В сети Интернет по адресу http://sz.ru/parser/ расположена версия анализатора, позволяющая проводить анализ в режиме реального времени.

К сожалению, вход большинства русскоязычных словарей n-грамм состоит из двух слов (бигрсиммы), и они создаются разработчиками из малых корпусов текстов под конкретные специфические нужды, что может свидетельствовать об их относительной репрезентативности.

Теоретической и методологической основой исследования послужили труды отечественных и зарубежных ученых в области математической и прикладной лингвистики, машинного перевода Н.Д. Арутюновой, Т.В. Булыгиной, Дж. Гандел, A.A. Кибрика, JI.H. Иорданской, Дж. Николе, Е.В. Падучевой, Е.В. Рахилиной; A.C. Чехова, А.Д. Шмелева,

М.И. Откупщиковой, Р. Миткова, В.Г. Гака, И.А. Муравьевой, О.Ю. Богуславской, Ю.С. Мартемьянова, A.B. Гулыги, Е.М. Вольф, З.М. Шаляпиной, И.И. Ревзина, работы в области машинного обучения и распознавания образов Ю.И. Журавлева, B.JL Матросова, К.В. Рудакова, В.В. Рязанова, 0:В. Сенько, исследования специалистов в области искусственного интеллекта и автоматической обработки текстов Д.А. Поспелова, Г.С. Осипова, В.Ф. Хорошевского, Ю.Г. Зеленкова, А.Н. Аверкина, А.И. Эрлиха и др.

Цель и задачи исследования

Цель исследования - разработка подхода автоматического определения кореферентных связей для русского языка, основанного, на, анализе корпусов текстов с использованием методов теории распознавания.

Для достижения поставленной цели были решены следующие задачи исследования: систематизация формальных средств выражений анафорических связей и зависимостей для местоимений третьего лица;

- выделение и формализация признаков; влияющих на референциальный выбор;

-разработка методов и алгоритмов формирования новых признаков по неразмеченным корпусам текстов без привлечения средств семантики, логики и знаний о Мире; разработка алгоритмов и программ, основанных на подходах и методах теории распознавания, обеспечивающих автоматическое определение г кореферентных связей между анафором и антецедентом. создание экспериментальной программной среды для аккумуляции статистической информации о референциальном выборе реального антецедента для местоимения третьего лица;

-создание корпуса русскоязычных ЕЯ-текстов, размеченных экспертом г на предмет кореферентных связей между анафором и антецедентом, а также размеченных автоматически морфологическими, синтаксическими и первично-семантическими анализаторами; разрешение задачи установления кореферентных связей для информационно-новостных текстов, оценка влияния каждого из факторов на корректность определения кореферентных связей при принятии решения о референциальном выборе и поиск минимальных признаковых подпространств.

Объект исследования — сфера автоматического определения кореферентных связей, а также факторы и признаки, влияющие на этот процесс, их анализ при помощи методов машинного обучения.

Предмет исследования - методы и алгоритмы, формирующие признаковое пространство при определении кореферентных связей; свойства признаков, генерируемых упомянутыми методами и алгоритмами; модели распознавания кореферентных связей.

Материалами исследования послужили тексты электронных новостных изданий. Общий объём автоматически проанализированных текстов составил более 140 Мбайт.

Научная новизна. Современная* деловая проза (в т.ч. информационно-новостные и др. тексты) русского языка не изучались до настоящего времени на предмет выявления закономерностей в референциальном выборе местоимений третьего лица при помощи методов машинного обучения и распознавания образов. В работе впервые применены подходы к изучению закономерностей кореферентных связей с применением методов машинного обучения и распознавания образов. Разработаны и апробированы новые методы и алгоритмы, «компенсирующие» нехватку семантических знаний, знаний «о Мире» и логических правил из неразмеченных корпусов текстов, новые алгоритмы синтеза корпусных признаков, а также предложены новые модели распознавания кореферентных связей.

Теоретическая значимость исследования заключается в разработке подхода для автоматического разрешения анафорических связей, создании методов синтеза корпусных признаков и моделей распознавания кореференции.

Практическая- значимость состоит в использовании' разработанных алгоритмов определения кореферентных связей при разрешении г анафоры в задачах машинного перевода, автоматического реферирования текстов, извлечения информации в поисковых и диалоговых системах и других автоматических системах искусственного интеллекта в части АОТ.

На защиту выносятся следующие положения;

1. методы анализа неразмеченных корпусных ресурсов (источников большого объёма ЕЯ-текстов) и результаты их применения в задаче разрешения кореференции местоимений;

2. алгоритмы по расширению признакового пространства, в задаче разрешения кореференции русскоязычных текстов:

- алгоритм вычисления оценок степени встречаемости одушевлённости для валентностей русскоязычных глаголов;

- алгоритм синтаксической деривации;

- алгоритм определения конфликтующих антецедентов;

- алгоритмы по формированию корпусных оценок степени встречаемости гипотетического антецедента и глагольной группы, г управляющей анафором; г

3. алгоритм некореферентности анафора с гипотетическим антецедентом и алгоритм некореферентности местоимений;

4. результаты анализа признаков при установлении кореферентных связей и минимальные подпространства признаков;

5. модели распознавания для разрешения анафоры местоимений третьего лица в русскоязычных текстах;

6. реализация моделей распознавания в виде программной среды, обеспечивающей дружественный интерфейс для работы эксперта по разметке текстов на предмет анафорических связей и автоматическую аккумуляцию признаков;

7. модель подготовки и обработки размеченных ЕЯ-текстов с целью выявления закономерностей и значимых систем признаков;

8. результаты испытания модели на размеченном корпусе информационно-новостных текстов (свыше 2000 фрагментов текстов объёмом, превышающим 3 Мбайт).

Апробация. Основные научные выводы и результаты исследования докладывались и обсуждались на:

1) международной конференции «Диалог 2006» - Компьютерная лингвистика и интеллектуальные технологии (Бекасово, 31 мая - 4 июня

2006 г.);

2) 10-ой национальной конференции по искусственному интеллекту с международным участием КИИ-06 (Обнинск, 25-28 сентября 2006 г.);

3) научно-технической конференции «Информационные технологии в бизнесе» (Москва, ГУ ВШЭ, 2006);

4) международной конференции «Диалог 2007» — Компьютерная лингвистика и интеллектуальные технологии (Бекасово, 30 мая — 3 июня

2007 г.);

5) 7-ой международной конференции «Информационное общество, интеллектуальная обработка информации, информационные технологии», 24-26 октября 2007 г. НТИ-2007. (Москва, ВИНИТИ РАН).

Публикации. По теме диссертации опубликовано 18 работ, общим объёмом 197 стр. Из них 2 - в издании из списка, рекомендуемых ВАК Минобрнауки России - журнал «Информационные технологии» (№№ 8,9, 2006 г.).

Составляющие диссертационной работы поддержаны:

1) конкурсом ведущих научных школ «НШ-5833.2006.1» 2006 г.: «Развитие фундаментальных математических основ и алгоритмического аппарата для решения сложных задач интеллектуального анализа данных, распознавания и прогнозирования» (исполнитель проекта);

2) научной стипендией ООО «Яндекс» 2004-2005 гг.: «Разработка, создание и внедрение процедуры апостериорной оценки качества поиска на основе поведения пользователей» (рук. проекта);

3) грантом РФФИ № 06-06-80464-а 2006 г.: «Разработка и реализация методов семантического и прагматического анализов ЕЯ-текстов русского языка» (рук. проекта);

4) научной стипендией ООО «Яндекс» 2006-2007 гг.: «Формирование нечётких мер для валентностей русскоязычных глаголов» (рук. проекта).

Структура работы. Диссертация состоит из введения, четырёх глав и заключения. Основной текст изложен на 179 стр. при общем объёме 241 стр., включая 3 приложения и библиографию из 181 наименования.

Заключение диссертации по теме «Теоретические основы информатики», Толпегин, Павел Владимирович

5.2. Основные результаты работы

1. Разработаны общая модель распознавания кореференции (МВ) и модель распознавания кореференции, основанная на решении специальной дихотомической задачи распознавания в пространстве признаковых описаний и задач распознавания оценок (ОЗЕ). Полнота и точность модели Б8Е составили 79,2% и 83,05% соответственно.

2. Предложены и программно реализованы алгоритмы, формирующие расширенное признаковое пространство в задаче разрешения местоименной анафоры третьего лица для русскоязычных текстов: а. алгоритм составления оценок степени встречаемости одушевлённости для валентностей русскоязычных глаголов; б. алгоритм синтаксической деривации; в. алгоритм определения конфликтующих антецедентов; г г. алгоритм некореферентности анафора с гипотетическим антецедентом; д. алгоритм некореферентности местоимений; е. алгоритмы по формированию корпусных оценок встречаемости гипотетического антецедента и глагольной группы, г управляющей анафором.

3. Методами математического обучения исследована эффективность корпусных признаков (оценок встречаемости гипотетического г антецедента и глагольной группы, управляющей анафором) при принятии решения референциального выбора.

4. Тремя подходами получены результаты анализа признаковых систем и информативные системы признаков, исследованы системы признаков и информативных подмножеств признаков.

5. Создан комплекс программ для ЭВМ, обеспечивающих предобработку ЕЯ-текстов и вычисление значений признаков.

Список литературы диссертационного исследования кандидат технических наук Толпегин, Павел Владимирович, 2008 год

1. Allen, 1995. Allen, J. Natural language understanding. The Benjamin|Cummings Publishing Company Inc.

2. Alshawi, 1992. Alshawi, H. The core language engine. Cambridge, MA: MIT Press.

3. Aone h Bennett, 1995. Aone, C., & Bennett, S. W. Evaluating automated and manual acquisition of anaphora resolution strategies. In Proceedings of the 33rd Annual Meeting of the Association for Computational Linguistics, pp. 122—129 Cambridge, MA.

4. Asher h Wada, 1988. Asher, N., Wada, H. A computational account of syntactic, semantic and discourse principles for anaphora resolution. Journal of Semantics, 6, C. 309-344.

5. Baldwin, 1997. Baldwin, B. CogNIAC: high precision coreference with limited knowledge and linguistic resources. Proceedingsof the ACL'97/EACL'97 workshop on Operational Factors in Practical, Robust Anaphora Resolution, C. 38-45. Madrid, Spain.

6. Baldwin m ap., 1995. Baldwin, B., Reynar, J., Collins, M., Eisner, J.m Ratnaparki, A., Rosenzweig, J., Sarkar, A., Bangalore, S. Description of the University of Pennsylvania System Used for MUC-6, C. 177-191. Columbia, Maryland, USA.

7. Bateman, 2006. Bateman J. Natural Language Generation Systems. -http://www.fblO.uni-bremen.de/anglistik/langpro/NLG-table/nlg-table-date-sort.html

8. Bean h Rilof, 1999. D. L. Bean, E. Riloff. 1999. Corpus-based identification of non-anaphoric noun phrases. In Proc. of the 37th ACL, pages 373—380, University of Maryland

9. Bobrow, 1964.* D.G. Bobrow. A question-answering system for high school algebra word problems. AFIPS Conference Proceeings, 26, 591-614.

10. Boguraev, 1979.- B. Boguraev. Automatic resolution of linguistic ambiguities. TR-11, University of Cambridge Computer Laboratory, Cambridge.

11. Brennan h 1987.S. Brennan, M. Friedman, C. Pollard.,A centering approach to pronouns. Proceedings of the 25th Annual Meeting of the ACL (ACL'97), 155-162: Stanford, CA, USA.

12. Burges, 1998. Burges C.J.C. A Tutorial on. Support Vector Machines for Pattern Recognition//Data Mining and Knowledge Discovery 2, 121-167, 1998.

13. Carbonell h Brown, 1988. Carbonell; J. G., R. D. Brown. Anaphora Resolution: a-Multi-Strategy Approach. In Proceedings of the 12th International Joint Conference on Computational Linguistics, pages 96—101.

14. Cardie h Wagstaff, 1999. C. Cardie, K. Wagstaff. 1999. Noun phrase coreference as clustering. In EMNLP-99, pages 82—89:

15. Carter; 1986. A shallow processing approach to anaphor resolution*. PhD thesis, University of Cambridge

16. Carter, 1987a. D.s Carter. Interpreting anaphora in natural'language texts. Chichester: Ellis Horwood.

17. Carter, 1987b. ^Carter, D. Common Sense Inference in a Focus-Guided Anaphor Resolver, Journal of Semantics, 4, 237-246

18. Carvalho, 1996.'Carvalho, A. Logic grammars and pronominal anaphora. Processing of the Discourse Anaphora and'Anaphor Resolution: Coreference (DAARC'96), 106-122. Lancaster, UK.

19. Charniak, 1972. E. Charniak. Toward a Model of Children's Story Comprehension. Ph.D. thesis, Massachusetts Institute of Technology, Cambridge, MA

20. Dagan h Itai, 199011- Dagan, A. Itai. Automatic processing of large corpora for the resolution of anaphora references. Proceedings of the 13th International Conference on Computational Linguistics (COLING'90), Vol.III, 1-3. Helsinki, Finland.

21. Dagan h Itai, 1991. I. Dagan, A. Itai. A statistical filter for resolving pronoun references. Artificial intelligence and computer vision, 125-135. Elsevier Science Publishers (North-Holland)

22. Dahl, 1986. D. Dahl. Focusing and reference resolution in PUNDIT. Processingth • of the 5 National Conference on Artificial Intelligence. Philadelphia.

23. Dahl h Ball, 1990. D. Dahl, C. Ball. Reference resolution in PUNDIT. Research Report CAIT-SLS-9004. Paoli: Center for Advanced Information Technology.

24. Denber, 1998. M. Denber. Automatic resolution of anaphora in English. Technical report, Imaging Science Divison, Eastman Kodak Co.

25. Di Engenio, 1990. B. Di Eugenio. Centering theory and the Italian pronominaliLsystem. Proceedings of the 13 Conference on Computational Linguistics (COLING'90), 270-275. Helsinki, Finland.

26. Dunker h Umbach, 1993. G. Dunker, C. Umbach. Verfahren zur Anaphernresolution in KIT-FAST. International Report KIT-28.Technical Univesity of Berlin.

27. Elaine Rich h Susann LuperFoy, 1988. cm. Rich h Luperfoy, 1988]

28. EuroWordNet, 1999. EuroWordNet-http://www.illc.uva.nl/EuroWordNet/

29. Evans, 2000. R. Evans. A comparison of rule-based and machine learning methods for identifying non-pronominal it. Natural Language Processing NLP2000. Lecture noteas in Artificial Intelligence, 233-242/ Springer Verlag.

30. Evans, 2001. R. Evans. Applying machine learning toward an automatic classification of it. Literary and Linguistic Computin, 16 (1), 45-57.

31. Ferrandez h ,np., 1997. A. Ferrandez, M. Palomar, L. Moreno. Slot unification grammar and anaphora resolution. Proceedings of the International Conference on

32. Recent Advances in Natural Language Processing (RANLP'97), 294-299. Tzagov Chark, Bulgaria.

33. Ferrandez и др., 1998. A. Ferrandez, M. Palomar, L. Moreno. Anaphora resolution in unrestricted texts with partial parsing. Proceedingsa of the 17th International Conrefence on Computational Linguistics (COLING'98/AGL'98), 385391. Montreal, Canada.

34. Ge и др., 1998.''N. Ge, J. Hale, E. Charniac. A statistical approach to anaphora resolution. Proceedings of the Workshop on Very Large Corpora, 161-170. Montreal, Canada.

35. Google, 2007. Google. Языковые инструменты Electronic resource]. 2007. -Mode of access: http://www.google.ru/languagetools?hl=ru

36. Gordon и др., 1993. P. Gordon, B. Grosz, L. Gilliom. Pronouns, names and the centering attention in discourse. Cognitive Science, 17 (3), 311-347.

37. Grishman, 1986. G. Grishman. Computational linguistics. Cambridge: Cambridge University Press.

38. Grosz, 1977 a. B. Grosz. The representation and use of focus in a system forjLunderstanding dialogs. Proceedings of the 5 International Joint Conference on» Artificial Intelligence (IJCAI'77), 67-76. Cambridge, Massachusetts.

39. Grosz, 1977 b. B. Grosz. The representation'and'use of focus in dialogue understanding, Technical*report No: 151, SRI International, Menlo Park, California.

40. Grosz и др., 1983.<B'. Grosz, A. Joshi, S. Weinstein. Providing a unified'account of definite noun phrases hrdiscourse. Proceedings of the 21st Annual Meeting of the Association for Computational Linguistics (ACL'83), 44-50. Cambridge, Massachusetts.

41. Grosz h /jp., 1995J B. Grosz, J. Arvind, S. Weinstein. Centering: a framework for modelling the local coherence of discource. Computationsl Linguistics, 21 (2), 203225.

42. Gunter h Lehmann, 1983. F. Gunter, H. Lehmann. Rules for prominalisation. Proceesings of the First Conference of the European Chapter of the Association for Computational Linguistics. 144-151. Pisa, Italy.

43. Haegeman, 1994. L. Haegeman. Introduction to government and bining theory.Oxford: Blackwell.

44. Hahn h Strube, 1997. U. Hahn, M. Strube. Centering-in-the-large: computing referential discourse segments. Proceedings of the 35th Annual Meeting of the Association for Computational Linguistics, 104-111. Madrid, Spain.

45. Hirst, 1981. G. Hirst. Anaphora in natural language understaning. Berlin: Springer Verlag.

46. Hobbs, 1976. J. Hobbs. Pronoun resolution. Research Report 76-1. New York: Department of Computer Science, City University of New York

47. Hobbs, 1978. J. Hobbs. Resolving pronoun references. Lingua, 44, 339-352

48. Jensen, 1986. K. Jensen. PEG 1986: a broad-coverage computational syntax of English. Technical report, IBM T.J. Watson Research Center.

49. Joshi h Weinstein, 1981. A. Joshi, S. Weinstein. Control of inference: role of some aspects of discourse structure centering. Proceedings of the 7th International Joint Conference on Artificial Intelligence (IJCAI-81), 385-386. Vancouver, Canada.

50. Kameyama, 1985. M. Kameyama. Zero anaphora: the case of Japanese. Ph.D. thesis, Stanford University, Linguistics Department.

51. Kameyama, 1986. M. Kameyama. A property-sharing constraint in centering. Proceedings of the 24 Annual Meeting of the Association for Computational Linguistics (ACL'86), 200-206. New York, USA.

52. Kameyama, 1997. M. Kameyama. Recognizing referential links: an information extractionperspective. Proceedings of the ACL'97/EACL'97 Workshop on Operational Factors in Practical, Robust Anaphora Resolution, 46-53. Madrid, Spain.

53. Kameyama, 1998. M. Kameyama. Intrasentential centering: a case stydy. In Walker, M., Joshi, A., Prince, E. (Eds.) Centering theory in iscourse, 89-112. Oxford: Clarendon Press.

54. Kantor, 1977. R. Kantor. The management and comprehension of discourse connection by pronouns in inglish, PhD thesis. Department of Linguistics, Ohio University.

55. Karlsson h ,np., 1995. F. Karlsson, A. Voutilainen, J. Heikkila, A. Antilla (Eds.) Constraint grammar: a language-independent system for parsing free text. Berlin|New York: Mouton de Gruyter.

56. Kehler, 1997b. A. Kehler. Probablistic coreference in information extraction. Proceedings of the 2nd Conference on Empirical Methods in Natural Language Processing (EMNMLP-2), 163-173. Providence, Rhode Island, USA.

57. Kehler, 1997a. A. Kehler. Current theories of centering and pronoun interpretation: a critical evaluation. Computational Linguistics, 23 (3), 467-475.

58. McCord, 1989. M. McCord. A new version of slot grammar. Research Report RC 14506, IBM Research Division, Yorktown Heights, New Yourk.

59. Mitkov, 1994a. R. Mitkov. An integrated model for anaphora resolution. Proceedings of the 15th International Conference on Computational Linguistics (COLING'94), 1170-1176. Kyoto, Japan.

60. Mitkov, 1994b. R. Mitkov. A new approach to tracking center. Proceedings of he International Conference "New Methods inn Language Processing" (NeMeLaP-1), 150-154. Mabchester, UK.

61. Mitkov, 1995a. R. Mitkov. Anaphora resolution in Natural Language Processing and Machine Translation. Working Paper. Saarbrucken: IAI.

62. Mitkov, 1995b. R. Mitkov. An- uncertainty reasoning approach for anaphora resolution. Proceeings of the Natural Language Processing Pacific Rim Symposium (NLPRS'95), 149-154. Seoul, Korea.

63. Mitkov, 1996. R. Mitkov. Pronoun resolution: the practical alternative. Paper presented* at the Discourse Anaphora and Anaphor Resolution Colloquium (DAARC), Lancaster, UK.

64. Mitkov, 1998a. R. Mitkov. Evaluating anaphora resolution approaches. Proceedings of the Discourse Anaphora and Anaphora Resolution Colloquium (DAARC'2), 164-172. Lancaster, UK.

65. Mitkov, 1998b. R. Mitkov. Robust pronoun resolution with limited knowledge.tli

66. Proceedings of the 17 International Conference on Computational Linguistics (COLING'98/ACL'98), 869-875. Montreal, Canada.

67. Mitkov, 2002. R. Mitkov. Anaphora Resolution. London: Longman Press, 2002

68. Munoz, 2001. R. Munoz. Tratamiento y resolucion de las descripciones definidas y su applicacion en sistemas de extraccion de informacion. PhD thesis, University of Alicante.

69. Munoz h Palomar, 2000. R. Munoz, M. Palomar. Processing of Spanish definite description with the same head. Proceedings of NLP'2000, 2120220. Patras, Greece.

70. Murata h Nagao, 2000. M. Murata, M. Nagao. Indirect reference in Japanese sentences. In Botley, S. and McEnry, A. (Eds.) Corpus-based and computational approaches to discourse anaphora, 211-226. Amsterdam/Philadelphia.

71. McCord, 1993. M. McCord. Heuristics for board-coverage antural language parsing. Processing, ARPA Human Language Technology Workshop. University of Pennsylvania.

72. Nakaiwa и др., 1996.iH. Nakaiwa, F. Bond, T. Uekado, Y. Nozawa. Resolving zero pronouns in texts using textual structure. Proceedings of the International Conference "New Methods in Language Processing" (NeMLaP-2), 25-36. Ankara, Turkey.

73. Nasukawa, 1994. T. Nasukawa. Robust method of pronoun resolutionmsing full-text information. Proceedings of the 15th International Conference on GomputationalLinguistics (COLING'94), 1157-1163. Kyoto, Japan.

74. NGD. Normalized Google Distance. Электрон, ресурс] 2007. - Режим доступа: http://www.arxiv.org/PScache/cs/pdf/0412/0412098.pdf

75. Orasan и др., 2000." С. Orasan, R. Evans. Experimenting in optimizing the task of anaphora resolution. Proceeings of ICEIS 2000, 191-195. Stanford, UK.

76. Paice и Husk, 1987. C. Paice, G. Husk. Towards the automatic recognition* of anaphoric features in English text: the impersonal pronoun "it". Computer Spech and Language,2,109-132.

77. Perl. Practical' extraction and report language Электрон, ресурс] 2007. -Режим доступа: www.perl.com,www.cpan.org, www.activestate.com

78. Poesio и др., 2000.(M. Poesio, H. Cheng, R. Henschel, J. Hitzerman; R. Kibble, R. Stevenson. Specifying the parameters of centering theory: a corpus-based evaluation using text from application-oriented domains. Proceedinggs of the 38th

79. Annual Meeting of the Association for Computational Linguistics (ACL). 400-407. Hong Kong.

80. Poesio M. и др., 1997. Poesio M., Vieira R., Teufel S. Resolving bridging references in unrestricted text. Proceedings of the ACL'97/EACL'97 Workshop on Operational Factors in Practical, Robust Anaphora Resolution, 1-6. Madrid, Spain, 1997

81. Popescu-Belis и Robba, 1997. A. Popescu-Belis, I. Robba. Three methods for evaluating reference resolution. Proceedings of the Workshop on Linguistic Conference. Granada, Spain.

82. Prince, 1981. E. Prince. Toward a taxonomy of given-new information. In Cole, P. (Ed.) Radical pragmatics, 223-255. New York: Academic Press.

83. RapidMiner. Программа RapidMiner (YALE) Электрон, документ]. (http://rapid-i.com/)

84. Reinhart, 1981. Reinhart T. Definite NP-anafhora and c-command domatus, Linguistic inquiry 12: 605-635

85. Reinhart, 1983. T. Reinhart. Coreference and bound anaphora: a restatement of the anaphoraquestions. Linguistic and Philosophy, 6, 47-88.

86. Rich и Luperfoy, 1988. E. Rich, S. LuperFoy. An architecture for anaphora resolution. Proceedings of the Second Conference on Applied Natural Language Processing (ANLP-2), 18-24. Texas, USA

87. Rolbert, 1989. M. Rolbert. Resolution de formes pronominales dans 1'interface d'interrogation d'une base de donnees. These de doctorat. Faculte des Science de Luminy.

88. RussNet, 2005. RussNet-http://www.phil.pu.ru/depts/12/RN/index.shtml

89. Ryazanov, 1994. Ryazanov V.V. Recognition Algorithms Based on Local Optimality Criteria // Pattern Recognition and Image Analysis. 1994. Vol.4, no.2. P.98-109

90. Saiz-Noeda h ,np., 2000. M. Saiz-Noeda, J. Peral, A. Suares. Semantic compatibility thechniques for anaphora resolution. Proceedings of the Workshop on Corpora and NLP, 43-48. Monastir, Tunisia.

91. Sidner, 1979. C. Sidner. Toward a computational theory of definite anaphora comprehension in English. Technical report No. AI-TR-537. Cambridge, Massachussetts: MIT Press.

92. Sidner, 1983. C. Sidner. Focusing in the comprehension of definite anaphora. In Brandy, M. and Berwick, R. (Eds.) Computational models of discourse. Cambridge, Massachussets: MIT Press.

93. Strube, 1998. M. Strube. Never look back: an alternative to centering.th

94. Proceedings of the 17 International Conference on Computational Linguistics (COLING'98/ACL'98), 1251-1257. Montreal, Canada.

95. Strube h Hahn, 1996. M. Strube, U. Hahn. Functional centering. Proceedings of the 34th Annual Meeting of the Association for Computational Linguistics, 270-277. Santa Cruz, California, USA.

96. Stuckardt, 1996. R. Stuckardt. An independency-sensitive approach to anaphor resolution. Proceedings of the international Colloquium on Discourse Anaphora and Anaphora Resolution. Lancaster (DAARC), 400-413, UK.

97. Stuckardt, 1997. R. Stuckardt. Resolving anaphoric references on deficient syntactinc descriptions. Proceedings of the ACL'97/EACL'97 Workshop on Operational Factors in Practical, Robust Anaphora Resolution, 30-37. Madrid, Spain.

98. Suri h McCoy, 1994. L. Sun, K. McCoy. RAFT/RAPR and centering: a comparison and discussions of problems related to processing complex sentences. Computational Linguistics, 20 (2), 301-317.

99. Tetreault, 1999. J. Tetreault. Analysis of syntax-based pronoun resolutiontVimethods. Proceeings of the 37 Annual Meeting of the Association for Computational Linguistics (ACL'99), 602-605. Maryland, USA.

100. Tin h Akman, 1994. E. Tin, V. Akman. Situated processing of pronominal anaphora. Proceeings of the KONVENS'94 Conference, 369-378. Vienna, Austria.

101. Vapnik, 1998. Vapnik V. Statistical Learning Theory // Wiley, 1998. Vieira h Poesio, 2000] R. Vieira, M. Poesio. An empirically-based system for processing definite descriptions. Computational Linguistics, 26 (4), 525-579.

102. Voutilainen h ^p., 1992. A. Voutilainen, J. Heikkila, A. Anttila. A constraint grammar of English: a performance-oriented approach. Publication No. 21, Helsinki: University of Helsinki.

103. Wakao, 1994. T. Wakao. Reference resolution using semantic patterns intVi

104. Japanese newspaper articles. Proceedings of the 15 International Conference on Computational Linguistics (COLING'94), 1133-1137. Kyoto, Japan.

105. Walker, 1997. Centering Theory in discourse, Edited by Marilyn A.Walker, Oxford University Press, 464 c.

106. Walker, 1989. M. Walker. Evaluating discourse processing algorithms. Proceedings of the 27th Annual Meeting of the ACL (ACL'97), 251-261. Vancouver, Canada.

107. Walker, 1998. M. Walker. Centering, anaphora resolution and discourse structure. In Walker, M., Joshi, A. and Prince, E. (Eds.) Centering theory in discourse. Oxford: Clarendon Press.

108. Walker m #p., 1994. M. Walker, M. Iida, S. Cote. Japanese discourse and the process of centering. Computational Linguistics, 20 (2).

109. Webber, 1979. В. Webber. A formal approach to discourse anaphora. New York: Garland Publishing.

110. Wilks, 1973. Y. Wilks. Preference semantics. Stanford At Laboratory memo AIM-206. Stanford University.

111. Wilks, 1975a. Y. Wilks. Preference semantics. In Keenan, E. (Ed.) The formal semantics of natural language. Cambridge: Cambridge University Press.

112. Wilks, 1975b. Y. Willks. An intelligent analyzer and understander of English. Communications of the ACM, 18, 264-274.

113. Winograd, 1972. T. Winograd. Understanding natural language. New Yourk: Academic Press/Edinburgh: Edinburgh University Press.

114. Woods, 1968. W. Woods. Procedural semantics for a question-answering machine. AFIPS Conference Proceedings, 33, FJJC, 457-471.

115. Woods, 1970. W. Woods. Transition network grammars for natural language analysis. Communications of the ACM, 13 (10), 591-606.

116. Woods и др.,,1972. W. Woods, R. Kaplan, B. Nash-Webber. The LUNAR Sciences Natural Language information System: final report. Report 2378. Cambrige, MA: Bolt Beranek and Newman.

117. WordNet, 2004. Русский WordNet http://www.pgups.ru/WebWN/wordnet.uix

118. WordNet, 2006. WordNet http://wordnet.princeton.edu/

119. Абрамова и др., 2007. Абрамова Н. Н., Абрамов В. Е. Автоматическое составление обзорных рефератов новостных сюжетов. Интернет-математика 2007: Сборник работ участников конкурса. — Екатеринбург: Изд-во Урал, унта, 2007. — 224 с.

120. АОТ. Автоматическая;обработка текстов: Электрон: ресурс] — 2006: -Режим доступа: www.aofcru

121. Баранов, 1996. Баранов О.С. Идеографический словарь русского языка -М.: ЭТС 1996. (http://baranovoc.narod.ru)

122. Ветров, Рязанов, 2001.Шетров Д:П., Рязанов В®^ О минимизации признакового пространства-в задачах распознавания: Доклады; 10-й# Всероссийско№конференции«"Математические методы распознавания образов . (ММРО-Ю)^', Москва, 2001? стр^ 22-25

123. Еавриловашщр;, 2000.Щаврилова Т.А., Хорошевский В;Ф; Базы знаний^ интеллектуальных систем СПб: Питер, 2000. - 384:е.: ил.

124. Дикарева, 1987. ДикаревагС^С~ Семантика анафоры-// Структурная и прикладная лингвистика. Межвузовский сборник. Вып. 3, Л::ЛГУ, 1987г. С. 2937

125. Журавлев, 1978. Журавлев Ю.И: Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики. М.: Наука: 1978, вып. 33, стр. 5-68'.

126. Журавлев шдр;, 2006.гЖуравлевгЮЖ, Рязанов В.В., Сенько О.В. "РАСПОЗНАВАНИЕ". Математические методы. Программная система. Практические применения. М.: ФАЗИС, 2006.

127. Иванова, 1961. Иванова В.А. О конструкциях с плеонастическим употреблением местоимений современном русском языке // УЗ Волгоград. ПИ. 1961. Вып. 14. С. 43-61.

128. Ильин и др., 1969. Ильин Г.М., Лейкина Б.М., Никитина Т.Н., Откупщикова М.И., Филатов С.Я. Модель семантики текста и система «запрос-ответ» (к постановке задачи). «НТИ», сер. 2, 1969, № 1, с. 10-14.

129. Карпова, 1978. Карпова Г.Д. Об алгоритме установления анафорических связей для русских местоимений // Вопросы информационной теории и практики. М., 1978. №36. С. 92-108

130. Кибрик, 1985. Кибрик A.A. Референциальный конфликт при местоименно-анафорической номинации // Семиотические аспекты формализации интеллектуальной деятельности. Тезисы докладов Всесоюзной школы-семинара. Кутаиси, 1985. М.: ВИНИТИ, 1985.

131. Клещев и др., 2001. Клещев С.А., Артемьева И.Л. Математические модели онтологий предметных областей. Часть 1. Существующие подходы к определению понятия «онтология» // Научно-техническая информация, серия 2 «Информационные системы и процессы», 2001. №2.

132. Коринф, 2006. Новости рынка Интернет. Внешнеторговый вестник «Коринф». №8, 2006г.

133. Красавина, 2006. Красавина О.Н. Корпусно-ориентированное исследование референции (принципы аннотации и анализ данных) // дисс. на соискание уч. степ. канд. филол. наук.М.: МГУ, 2006г.

134. Кувалдина, 1971. Кувалдина JT.H. Анафорические связи в русском языке (на материале научных, научно-популярных и научно-технических текстов). Информационные вопросы семиотики, лингвистики и автоматического перевода. Вып. 2. М.: ВИНИТИ, 1971. С. 47-54.

135. Леонтьева, 1998. Леонтьева H.H. Категоризация единиц в русском общесемантическом словаре (РОСС) // Труды Международного семинара «Диалог'98» по компьютерной лингвистике и ее приложениям. Т.2. С.519-532.

136. Мельчук, 1974. Мельчук И.А. Опыт теории лингвистических моделей "Смысл <-> Текст" // М., 1974.

137. Мошков, 2006. Поиск по библиотеке М.Мошкова, версия 2006 года, 844 млн. токенов. Электрон, ресурс] 2006. - Режим доступа: http://www.aot.ru/searchl .html

138. НКРЯ. Национальный корпус русского языка, www.ruscorpora.ru

139. Ножов, 2000. Ножов И.М. Процессор автоматизированного морфологического анализа без словаря. Деревья и корреляция. //Диалог'2000. Труды конференции Протвино, 2000. Т.2. С. 284-290.

140. Ножов, 2002. Ножов И.М. Проектирование сегментационного анализатора русского предложения. // КИИ-2002. Труды конференции М.: Физматлит, 2002. Т.1. С. 212-222.

141. Ножов, 2003. Ножов И.М. Морфологическая и синтаксическая обработка текста (модели и программы) // Диссертация на соискание ученой степени кандидата технических наук. — М. 2003.

142. Откупщикова, 1971.,Откупщикова М.И. Роль местоимений в сокращении структуры связного текста. Информационные вопросы семиотики, лингвистики и автоматического перевода. Вып. 2. М.: ВИНИТИ, 1971. С. 68-77.

143. Откупщикова, 1987. Откупщикова М.И. Части речи и местоимения в русском языке // Структурная и прикладная лингвистика. JL: ЛГУ, 1987. Вып. 1.

144. Падучева, 1983. Падучева Е.В. Возвратное местоимение с косвенным антецедентом и семантика рефлексивности. Семиотика и информатика — сборник научных статей, вып. 21, 1983г.; С.3-33.

145. Падучева, 1974. Падучева Е.В. Анафорические связи и глубинная структура текста // Ин-т русск. яз. АН СССР. Предварительные публикации. М.: Наука, 1974.

146. Падучева, 1980. Падучева Е.В. Проблемы логического анализа местоимений // Семиотика и информатика. М.: ВИНИТИ, 1980. Вып. 16.

147. Протасов, 2006. Протасов C.B. Обучение с нуля грамматики связей русского языка // X Национальная конференция по искусственному интеллекту с международным участием «КИИ-06». -М. 2006. С. 515-524

148. Сироткина, 1974. Сироткина О.Б. Конструкции с плеонастическим местоимением в разговорной речи // Синтаксис и норма. М.: Наука, 1974.

149. Сокирко, 2001. Сокирко A.B. Семантические словари в автоматической обработке текста (по материалам системы ДИАЛИНГ) // Диссертация на соискание ученой степени кандидата технических наук. М. 2001.

150. Сокирко, 2005. Сокирко A.B. Первичный семантический анализ -http://www.aot.ru/docs/seman.html

151. Тестелец, 2001. Я.Г. Тестелец. Введение в общий синтаксис. М.: РГГУ, 2001. —798 с.

152. Толпегин, 2003а. Толпегин П.В. Словоформы Русского Языка для Информационно-Поисковой Системы. Свидетельство Роспатента о регистрации базы данных № 2003620059. 2003 г.

153. Толпегин, 2003b. Толпегин П.В. Программа искусственной генерации словоформ русского языка. Свидетельство Роспатента о регистрации программы для ЭВМ № 2003610874. 2003 г.

154. Толпегин, 2006а. Толпегин П.В. Информационные технологии анализа русских естественно-языковых текстов. Часть I // Журнал «Информационные технологии», № 8. 2006. с. 41-50

155. Толпегин, 2006b. Толпегин П.В. Информационные технологии анализа русских естественно-языковых текстов. Часть II // Журнал «Информационные технологии», № 9. 2006. с. 2-7

156. Толпегин П.В., 2006с. Толпегин П.В. Новые методы и алгоритмы автоматического разрешения референции местоимений третьего лица русскоязычных текстов. М.: КомКнига, 2006. 88 с.

157. Хорошевский, 2004. Хорошевский В.Ф. OntosMiner: семейство систем извлечения информации из мультиязычных коллекций документов. Труды конференции КИИ-2004, Тверь, Россия, 2004.

158. Чехов, 1981. Чехов A.C. Отождествляющее анафорическое выражение как фактор внутренней организации // Машинный перевод и прикладная лингвитика. М.: ВИНИТИ, 1981. Вып. 19.

159. Шумилина, 1961. Шумилина A.JI. Вопросы анализа личных местоимений 3-го лица // Лингвистические исследования по машинному переводу. М.: ВИНИТИ, 1961. Вып. 2. С. 142- 151.

160. Яндекс. Синтаксический анализатор, не использующийрезультаты морфологического анализа. Результаты анализа предоставлены ООО «Яндекс», 2007г.