統(tǒng)一框架的混合依存句法分析

吳福祥，周付根(北京航空航天大學(xué)宇航學(xué)院 北京 海淀區(qū) 100191)

?

統(tǒng)一框架的混合依存句法分析

吳福祥，周付根
(北京航空航天大學(xué)宇航學(xué)院 北京 海淀區(qū) 100191)

【摘要】監(jiān)督統(tǒng)計(jì)句法分析器的性能很大程度依賴(lài)于昂貴而有限的人工標(biāo)注數(shù)據(jù)。為充分利用現(xiàn)有標(biāo)注樹(shù)庫(kù)而不需額外設(shè)計(jì)句法分析器，該文提出了一種混合句法處理管線(xiàn)。該管線(xiàn)以基于最大生成樹(shù)算法和線(xiàn)性鏈?zhǔn)綏l件隨機(jī)場(chǎng)的句法分析器為基本框架，融合使用不同樹(shù)庫(kù)進(jìn)行混合訓(xùn)練，綜合利用不同樹(shù)庫(kù)對(duì)應(yīng)的基線(xiàn)分析器解析的依存骨架，提取交叉信息，并在基本框架上構(gòu)建了綜合句法分析器。實(shí)驗(yàn)結(jié)果表明，該方法可以有效地提升單一樹(shù)庫(kù)的句法分析器的分析精度。

關(guān) 鍵 詞條件隨機(jī)場(chǎng); 依存句法; 混合句法分析; 最大生成樹(shù)

Unified Framework for Hybrid Dependency Parsin

WU Fu-xiang and ZHOU Fu-gen
(School of Astronautics, Beihang University Haidian Beijing 100191)

Abstract The mainstream dependency parser is a supervised statistical parser whose performance greatly relies on manually annotated dataset in recently. In order to use multi-treebank without building a new parser, a hybrid dependency processing pipeline is proposed. The pipeline is implemented through maximum spanning tree (MST) algorithm and linear chain conditional random fields (CRF) as base framework, and a hybrid dependency processing pipeline for training the parser by using multi-treebank is constructed, then a composite dependency parser is built from base framework to utilizes cross information of the multi-treebank with a set of hybrid feature templates. The result shows that the pipeline can improve the parsing precision of single-treebank parser without designing a new parser.

Key words CRF; dependency grammar; hybrid dependency parsing; MST

通過(guò)解析語(yǔ)句句法分析可以生成詞間的內(nèi)在結(jié)構(gòu)信息，為信息獲取、問(wèn)答系統(tǒng)和機(jī)器翻譯[1]等提供便利。句法分析可分為依存結(jié)構(gòu)句法分析和短語(yǔ)結(jié)構(gòu)句法分析，現(xiàn)主流方法是通過(guò)使用大規(guī)模人工標(biāo)注語(yǔ)料庫(kù)有監(jiān)督學(xué)習(xí)的句法分析方法[2-4]。由于中文缺乏形態(tài)變化，并且有大量的兼類(lèi)詞，使之分析的精度沒(méi)有達(dá)到英文句法分析的精度，現(xiàn)在仍是研究的熱點(diǎn)[5]。

有監(jiān)督的句法分析算法性能很大程度依賴(lài)于人工標(biāo)注數(shù)據(jù)，該標(biāo)注數(shù)據(jù)的質(zhì)量和規(guī)模會(huì)嚴(yán)重影響算法的性能，而人工標(biāo)注數(shù)據(jù)是一件非常繁重的工作，且需要專(zhuān)業(yè)的語(yǔ)言學(xué)知識(shí)，因此并不容易獲取高質(zhì)量的數(shù)據(jù)?，F(xiàn)在常用的標(biāo)注語(yǔ)料庫(kù)主要有哈爾濱工業(yè)大學(xué)的Chinese dependency treebank(CDT)[6]和賓夕法尼亞大學(xué)的Chinese treebank(CTB)[7]等，其中CDT是依存結(jié)構(gòu)句法語(yǔ)料庫(kù)，而CTB是短語(yǔ)結(jié)構(gòu)句法語(yǔ)料庫(kù)。由于各個(gè)標(biāo)注語(yǔ)料庫(kù)標(biāo)注規(guī)則并不相同，不能直接合并使用，因此如何有效地利用現(xiàn)有的標(biāo)注數(shù)據(jù)擴(kuò)大訓(xùn)練數(shù)據(jù)也是一個(gè)研究熱點(diǎn)。

為了同時(shí)使用不同標(biāo)注語(yǔ)料庫(kù)來(lái)提高分析器的性能，本文提出一種融合多個(gè)語(yǔ)料庫(kù)信息進(jìn)行分析的處理管線(xiàn)。該管線(xiàn)統(tǒng)一使用基本解析算法進(jìn)行前期處理和后期合并，該算法MST[8]的圖算法實(shí)現(xiàn)，而訓(xùn)練算法是通過(guò)CRF[9]學(xué)習(xí)邊權(quán)重。該處理管線(xiàn)不需要重新開(kāi)發(fā)句法分析器，直接重用分析器即可融合多個(gè)語(yǔ)料庫(kù)。

1 相關(guān)工作

近年來(lái)，有大量關(guān)于依存句法分析的研究。在依存句法分析中，根據(jù)所研究的句子依存結(jié)構(gòu)中依存弧是否有交叉分為投影性(projective)和非投影性(non-projective)，此外根據(jù)分析算法中使用的特征階數(shù)分為一階、二階和高階，由于本文主要研究融合使用多語(yǔ)料庫(kù)帶來(lái)的效果，因此只考慮投影依存句法分析，并使用一階特征。

依存句法處理主要有文獻(xiàn)[3-4]構(gòu)建的基于轉(zhuǎn)移的依存句法分析器MaltParser和文獻(xiàn)[8]構(gòu)建的基于最大生成樹(shù)的依存分析器MSTParser。其中MaltParser是通過(guò)left-arc、right-arc、reduce和shift操作輸入隊(duì)列和相應(yīng)的棧完成句子的依存結(jié)構(gòu)構(gòu)建，它的訓(xùn)練是通過(guò)支持向量機(jī)或線(xiàn)性分類(lèi)器學(xué)習(xí)4種操作發(fā)生時(shí)的相應(yīng)特征；而MSTParser則是通過(guò)最大生成樹(shù)搜尋依存結(jié)構(gòu)和使用在線(xiàn)學(xué)習(xí)margin infused relaxed algorithm(MIRA)算法完成，它們都獲得了一流的分析結(jié)果。此外，混合轉(zhuǎn)移、圖算法的束(beam)搜尋算法[10-11]和融合了高階特征[12]的分析算法都獲得了分析性能的提升。

有監(jiān)督學(xué)習(xí)的算法中，標(biāo)注訓(xùn)練數(shù)據(jù)非常重要，同時(shí)使用多語(yǔ)料庫(kù)進(jìn)行融合學(xué)習(xí)的研究[13-15]也不少。其中文獻(xiàn)[16]和本文方法比較類(lèi)似，但該方法中的綜合分析器需要進(jìn)行子樹(shù)提取和樹(shù)結(jié)構(gòu)比較以進(jìn)行評(píng)分，是以類(lèi)似于重估的方式進(jìn)行合并處理，而本文則直接使用擴(kuò)展了的基本分析器進(jìn)行合并處理，統(tǒng)一了處理框架。

2 基本句法分析器

本文算法是基于CRF的MST句法分析器。CRF是一種無(wú)向圖模型，它相對(duì)于最大熵算法，不會(huì)產(chǎn)生標(biāo)注偏置問(wèn)題，并且沒(méi)有隱馬爾科夫模型嚴(yán)格的獨(dú)立性假設(shè)。對(duì)于一棵依存句法樹(shù)，其概率為：

而勢(shì)函數(shù)定義為：

圖1　基本分析器處理流程

在圖1中，由于大規(guī)模語(yǔ)料庫(kù)的特征規(guī)模往往非常巨大，會(huì)占用很多計(jì)算資源，此外也會(huì)帶來(lái)數(shù)據(jù)稀疏等問(wèn)題，因此需要對(duì)語(yǔ)料庫(kù)進(jìn)行裁剪，本文中將少于3的特征去除。即使如此在裁剪前也會(huì)產(chǎn)生內(nèi)存不足的問(wèn)題，因此要進(jìn)行分割，每500句為一組生成特征映射子表，隨后對(duì)逐個(gè)子表進(jìn)行合并。此外由于CRF對(duì)正則化不太敏感并且訓(xùn)練比較耗時(shí)，使用如下規(guī)則進(jìn)行訓(xùn)練：

1) 訓(xùn)練分析器并保存當(dāng)前特征權(quán)重；

2) 訓(xùn)練次數(shù)是否是10的倍數(shù)，否則跳到步聚1)；

3) 使用當(dāng)前測(cè)試數(shù)據(jù)和特征權(quán)重計(jì)算解析精度，如果性能連續(xù)下降3次則訓(xùn)練完成；

4) 如果訓(xùn)練次數(shù)超過(guò)最大訓(xùn)練次數(shù)則退出。

3 混合句法分析

對(duì)于同種語(yǔ)言，不同標(biāo)注樹(shù)庫(kù)之間信息是有交叉的，因此可以通過(guò)融合這些信息提升分析器的性能。雖然對(duì)于使用不同語(yǔ)料庫(kù)訓(xùn)練完成的句法分析器的分析結(jié)果各有不同，但它們的依存關(guān)系骨架是有交叉的，如CTB中“外商投資企業(yè)成為中國(guó)外貿(mào)重要增長(zhǎng)點(diǎn)”這句話(huà)，其依存骨架如圖2所示。

圖2　依存骨架

圖2是通過(guò)CDT語(yǔ)料庫(kù)訓(xùn)練的基本句法分析器解析生成的，雖然它和CTB中的關(guān)系標(biāo)注各不相同，但可以看出和圖2a的原始標(biāo)注骨架基本相同，因此可以選擇一個(gè)原始語(yǔ)料庫(kù)合并另外語(yǔ)料庫(kù)訓(xùn)練的分析器輸出結(jié)果，并于訓(xùn)練時(shí)同時(shí)提取該結(jié)果的骨架特征和原始語(yǔ)料庫(kù)的依存信息進(jìn)一步分析，混合訓(xùn)練處理管線(xiàn)如圖3所示。

圖4　解析管線(xiàn)

在圖3中，由于CTB是結(jié)構(gòu)句法語(yǔ)料庫(kù)，需要轉(zhuǎn)換為依存結(jié)構(gòu)，這里使用Penn2Malt工具。此外，由于CDT詞性使用的是國(guó)家863詞性標(biāo)注標(biāo)準(zhǔn)，和CTB不一致，需要進(jìn)行統(tǒng)一，本文使用Stanford POS Tagger詞性標(biāo)注器進(jìn)行重標(biāo)注。數(shù)據(jù)準(zhǔn)備完成后預(yù)訓(xùn)練基本句法分析器，得到基本分析模型，它包含特征表和權(quán)重?cái)?shù)組，隨后解析CTB語(yǔ)料，并將結(jié)果和CTB初始數(shù)據(jù)合并，最后使用該套數(shù)據(jù)訓(xùn)練綜合分析器，得到混合分析模型。解析管線(xiàn)如圖4所示。

在圖4中，基本分析模型和混合分析模型是來(lái)自圖3中的訓(xùn)練管線(xiàn)，并且這些模型格式都是對(duì)應(yīng)于基本句法分析器的數(shù)據(jù)模型格式。

3.1 混合特征

混合特征提取除了包含基本句法分析器的特征模板外，還包括訓(xùn)練數(shù)據(jù)中的額外結(jié)果骨架(預(yù)先分析的結(jié)果)的特征提取，該特征提取函數(shù)如表1所示。

表1　骨架特征模板函數(shù)

表1中OP和OC分別對(duì)應(yīng)于數(shù)據(jù)中CTB的原始依存弧中的父節(jié)點(diǎn)和子節(jié)點(diǎn)；而NP和NC則對(duì)應(yīng)于通過(guò)基本句法分析器分析后合并到訓(xùn)練數(shù)據(jù)中的依存骨架父節(jié)點(diǎn)和子節(jié)點(diǎn)；D是指原始依存弧的方向；E特征為判斷原始依存弧骨架和額外分析依存弧骨架是否一致；OPi和OCi分別指原始依存弧中的父節(jié)點(diǎn)和子節(jié)點(diǎn)的后i個(gè)節(jié)點(diǎn)，其余數(shù)值類(lèi)推。

根據(jù)是否提取依存弧的端點(diǎn)，將領(lǐng)域特征分為3組特征模板集：

3.2 帶有骨架特征的綜合句法分析器

由于式(4)特征集中的骨架特征和其他基本句法分析器中的普通特征類(lèi)似，可以直接融入基本句法分析器框架中，但是由于該特征數(shù)量巨大，需要提前對(duì)骨架建立連接信息結(jié)構(gòu)，處理算法偽代碼如下：

算法1：GenerateSkeletonFeature函數(shù)偽代碼

輸入變量：linkInfo, 骨架鏈接列表；mixtree, 合并后訓(xùn)練或測(cè)試數(shù)據(jù)；sentence, 原始句子；FeatureSet, 特征模板集合;

輸出變量：fea_vec，特征集合; fea_vec_temp, 臨時(shí)存儲(chǔ)空間

for i in [1,n]:

CollectChildren(i, mixtree, linkInfo)

SortChildren(i, mixtree, linkInfo)

for temple in FeatureSet:

SplitTemple(temple, tem_list)

for item in tem_list:

GetFeaString(item, sentence, mixtree, linkInfo,

fea_vec_temp)

fea_str = BuildFullFeature(tem_list ,

fea_vec_temp)

addTo(fea_str, fea_vec)

通過(guò)算法1可以在訓(xùn)練或分析時(shí)提取骨架特征。其中，CollectChildren和SortChildren搜集骨架中某個(gè)節(jié)點(diǎn)的所有子節(jié)點(diǎn)(依存關(guān)系)并按照它們自然次序排序。由于式(4)特征集中各個(gè)特征模板的不少子元素是重復(fù)的，因此使用SplitTemple將特征集中的每個(gè)特征模板拆開(kāi)，隨后使用GetFeaString獲取相應(yīng)的特征值，最后使用BuildFullFeature重新合成完整特征，加快了特征提取過(guò)程。因此綜合分析器的處理流程只需在圖1中的分析器處理框架中進(jìn)一步引入提取骨架特征算法，并通過(guò)圖3和圖4所示的流程將綜合句法分析器和基本句法分析器結(jié)合起來(lái)構(gòu)成整個(gè)訓(xùn)練及分析管線(xiàn)。

3.3 管線(xiàn)處理流程

混合管線(xiàn)包含底層的基本句法器和后面的混合分析器，訓(xùn)練流程如下：

1) 使用重標(biāo)注的CDT樹(shù)庫(kù)訓(xùn)練基本句法分析器Pbase；

2) 使用Pbase預(yù)分析CTB樹(shù)庫(kù)中語(yǔ)句，生成預(yù)分析依存結(jié)果集Γ；

3) 使用CTB樹(shù)庫(kù)和結(jié)果集Γ訓(xùn)練混合分析器，通過(guò)混合特征模板提取特征并完成訓(xùn)練。

而測(cè)試流程為：

1) 使用Pbase預(yù)分析測(cè)試集中的語(yǔ)句，生成預(yù)分析結(jié)果集Π；

2) 使用測(cè)試集和結(jié)果集Π通過(guò)混合分析器進(jìn)行分析，計(jì)算出解析結(jié)果。

4 數(shù)據(jù)及結(jié)果分析

4.1 訓(xùn)練及測(cè)試數(shù)據(jù)劃分

由于CRF訓(xùn)練收斂比較慢，且特征空間比較大，因此選擇CDT和CTB6樹(shù)庫(kù)的部分?jǐn)?shù)據(jù)進(jìn)行測(cè)試，數(shù)據(jù)劃分如表2所示。

其中CTB訓(xùn)練數(shù)據(jù)的平均長(zhǎng)度為24.2 331，測(cè)試數(shù)據(jù)的平均長(zhǎng)度為28.568，而CDT訓(xùn)練數(shù)據(jù)的平均長(zhǎng)度為24.2 331，測(cè)試數(shù)據(jù)的平均長(zhǎng)度為17.859。

表2　數(shù)據(jù)劃分

4.2 測(cè)試結(jié)果

本文使用MSTParser分析器和基本句法分析器作為基線(xiàn)測(cè)試，隨后分別使用公式(4)中的3個(gè)模板特征集進(jìn)行混合句法分析器的訓(xùn)練，這里的評(píng)測(cè)指標(biāo)使用帶標(biāo)記依存正確率(LAS)和不帶標(biāo)記依存正確率(UAS)。其中基線(xiàn)測(cè)試結(jié)果如表3所示。

表3　基線(xiàn)測(cè)試結(jié)果

當(dāng)使用式(4)的feaset1模板特征集時(shí)，測(cè)試結(jié)果如圖5a所示，其中最高的LAS值為0.721 997。對(duì)比表3可看出，融合其他樹(shù)庫(kù)信息可以提高分析精度。由于feaset1特征模板集數(shù)量比較小，而feaset2是它的擴(kuò)充。使用feaset2的混合句法分析器測(cè)試結(jié)果如圖5b所示，其中最高的LAS值為0.722 557。相對(duì)于feaset1來(lái)說(shuō)，擴(kuò)充了特征集的feaset2可提取更多的有效特征，因此測(cè)試性能比f(wàn)easet1提升了0.05%。而模板特征集feaset3包含feaset2，使用feaset3模板特征集的混合句法分析器測(cè)試結(jié)果如圖5c所示，其中混合句法分器的最高LAS值為0.722 137。

4.3 結(jié)果分析

在表3中，基本句法分析器分析精度要比MSTParser高，這可能是由于它們的特征提取差別引起的，且沒(méi)有對(duì)MSTParser進(jìn)行進(jìn)一步優(yōu)化。從圖5測(cè)試結(jié)果可以看出，通過(guò)使用額外的骨架特征，可以帶來(lái)精度的提高，其中使用feaset1特征模板的混合分析器的LAS值最大提升0.1 997%；使用feaset2特征模板則提升0.2 557%；而使用feaset3特征模板提升0.2 137%。其中各組特征模板的特征數(shù)量如表4所示。

圖5　混合句法分析器測(cè)試精度

表4　MSTParser特征數(shù)目

feaset1特征模板主要提取依存弧兩端的節(jié)點(diǎn)信息，不包含它們周?chē)畔ⅲ琭easet2特征模板包含端點(diǎn)周?chē)畔?，比f(wàn)easet1多4.25%，可以捕捉更多句法特征，而feaset3特征模板包含feaset2，但它會(huì)導(dǎo)致性能下降，這可能是由于feaset3比f(wàn)easet2的特征數(shù)多所致，特征空間增大后帶來(lái)數(shù)據(jù)稀疏引發(fā)的性能下降，這需要更加精細(xì)的特征模板設(shè)計(jì)。

5 結(jié) 束 語(yǔ)

在本文中，通過(guò)使用同一套基本句法分析器框架，構(gòu)建了混合樹(shù)庫(kù)訓(xùn)練及分析管線(xiàn)，并通過(guò)添加額外的骨架特征提取實(shí)現(xiàn)了綜合句法分析器，從而構(gòu)建統(tǒng)一的混合句法分析管線(xiàn)。結(jié)果表明，通過(guò)使用同一框架混合句法分析器，融合兩套樹(shù)庫(kù)進(jìn)行訓(xùn)練，獲得了比單一樹(shù)庫(kù)更高的分析準(zhǔn)確率，它帶來(lái)了0.255 7%的LAS提升。此外由于本文只是將CTB轉(zhuǎn)換為依存句法結(jié)構(gòu)并重標(biāo)注CDT的詞性，但它們的分詞并沒(méi)有進(jìn)一步分析。未來(lái)計(jì)劃進(jìn)一步分析它們的分詞等信息，使分析器更容易融合兩樹(shù)庫(kù)的相關(guān)信息。

參 考 文 獻(xiàn)

[1] ZHOU Guang-you, CAI Li, ZHAO Jun, et al. Phrase-based translation model for question retrieval in community question answer archives[C]//Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies. Stroudsburg: Association for Computational Linguistics, 2011: 653-662.

[2] 宗成慶. 統(tǒng)計(jì)自然語(yǔ)言處理[M]. 北京: 清華大學(xué)出版社，2008. ZONG Cheng-qing. Statistical natural language processing[M]. Beijing: Tsinghua University press, 2008.

[3] NIVRE J, HALL J, NILSSON J. Memory-based dependency parsing[C]//Proceedings of the Eighth Conference on Computational Natural Language Learning (CoNLL). Boston, USA: Association for Computational Linguistics, 2004: 49-56.

[4] NIVRE J, HALL J, NILSSON J. MaltParser: a data-driven parser-generator for dependency parsing[C]//Proceedings of the 15th International Conference on Language Resources and Evaluation (LREC2006). Genoa, Italy: European Language Resources Association, 2006: 2216-2219.

[5] CHE Wan-xiang, SPITKOVSKY V L, LIU Ting. A comparison of Chinese parsers for stanford dependencies [C]//Proceedings of the 50th Annual Meeting of the Association for Computational Linguistics (ACL 2012). Jeju Island, Korea: Association for Computational linguistics, 2012: 11-16.

[6] LIU Ting, MA Jin-shan, LI Sheng. Building a dependency treebank for improving Chinese parser[J]. Journal of Chinese Languages and Computing, 2006, 16(4): 207-224.

[7] XUE Nai-wen, XIA Fei, CHIOU Fu-dong, et al. The penn Chinese treebank: Phrase structure annotation of a large corpus[J]. Natural Language Engineering, 2005, 10(4): 1-30.

[8] MCDONALD R, CRAMMER K, PEREIRA F. Online large-margin training of dependency parsers[C]//Proceeding of the 43th Annual Meeting of the Association for Computational Linguistics. Ann Arbor, USA: Association for Computational Linguistics, 2005: 91-98.

[9] SHA F, PEREIRA F. Shallow parsing with conditional random fields[C]//Proceedings of the 2003 Human Language Technology Conference and North American Chapter of the Association for Computational Linguistics (HLT/NAACL-03). Edmonton, Canada: Association for Computational Linguistics, 2003: 134-141.

[10] NIVRE J, MCDONALD R. Integrating graph-based and transition-based dependency parsers[C]//Proceedings of the 46th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies. Columbus, USA: Association for Computational Linguistics, 2008: 950-958.

[11] ZHANG Yue, CLARK S. A tale of two parsers: Investigating and combining graph-based and transitionbased dependency parsing using beam-search[C]// Proceedings of the Conference on Empirical Methods in Natural Language Processing (EMNLP '08). Stroudsburg, USA: Association for Computational Linguistics, 2008: 562-571.

[12] CARRERAS X. Experiments with a higher-order projective dependency parser[C]//Proceedings of Conference on Empirical Methods in Natural Language Processing. Prague, The Czech Republic: Association for Computational Linguistics, 2007: 957-961.

[13] GREEN N. Hybrid combination of constituency and dependency trees into an ensemble dependency parser[C]// Proceedings of the Workshop on Innovative Hybrid Approaches to the Processing of Textual Data. Avignon, France: Association for Computational Linguistics, 2012: 19-26.

[14] LI Zheng-hua, LIU Ting, CHE Wan-xiang. Exploiting multiple treebanks for parsing with Quasi-synchronous grammars[C]//Proceedings of the 50th Annual Meeting of the Association for Computational Linguistics. Jeju Island, Korea: Association for Computational Linguistics, 2012: 675-684.

[15] NIU Zheng-yu, WANG Hai-feng, WU Hua. Exploiting heterogeneous treebanks for parsing[C]//Proceedings of the Joint Conference of the 47th Annual Meeting of the ACL and the 4th International Joint Conference on Natural Language Processing of the AFNLP. Suntec, France: Association for Computational Linguistics, 2009: 46-54.

[16] ZHOU Guang-you, ZHAO Jun. Joint inference for heterogeneous dependency parsing[C]//Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics. Sofia, The Republic of Bulgaria: Association for Computational Linguistics, 2013: 104-109.

編 輯 葉 芳

Application of CNTs Functional Layer in AC Plasma Display Panels

DENG Jiang1and WANG Xiao-ju2
(1. College of Optoelectronic Technology, Chengdu University of Information Technology Chengdu 610225; 2. School of Opto-Electronic Information, University of Electronic Science and Technology of China Chengdu 610054)

Abstract Carbon nanotubes (CNTs) are coated on conventional MgO protective film in an alternating current plasma display panel (AC PDP) as a functional layer by the spray coating method. The transmittance and the discharge characteristics of CNTs/MgO films are investigated. The results show that the visible light transmittance of the CNTs/MgO protective layer is 80% higher. The firing voltage and discharge delay time decrease with the addition of a CNTs functional layer. With 100 torr 10 % Xe-Ne pressure, the firing voltage and the discharge delay time of the AC PDP test cell with CNTs/MgO protective layer are 263.5 V and 270 ns, respectively, which are 15% and 26% lower than that of the conventional MgO protective layers. Thus, this CNTs/MgO layer could be considered as a potential protective layer for use in AC PDP.

Key words carbon nanotubes (CNTs); discharge delay time; firing voltages; protective layer; transmittance

作者簡(jiǎn)介：吳福祥(1984 ? )，男，博士生，主要從事高性能計(jì)算、自然語(yǔ)言處理方面的研究.

收稿日期：2014 ? 04 ? 21；修回日期： 2015 ? 09 ? 25

中圖分類(lèi)號(hào)TN912

文獻(xiàn)標(biāo)志碼A

doi:10.3969/j.issn.1001-0548.2016.01.017