Семантическая декомпозиция (обработка естественного языка) - Semantic decomposition (natural language processing)

А семантическая декомпозиция представляет собой алгоритм, который разбивает значения фраз или понятий на менее сложные понятия.[1] Результат семантической декомпозиции - представление смысла. Это представление можно использовать для задач, например связанных с искусственный интеллект или машинное обучение. Семантическая декомпозиция распространена в обработка естественного языка Приложения.

Основная идея семантической декомпозиции взята из навыков обучения взрослых людей, когда слова объясняются другими словами. Он основан на Теория смыслового текста. Теория смыслового текста используется в качестве теоретической лингвистической основы для описания значения понятий с другими понятиями.

Задний план

Учитывая, что AI не имеет языка по своей сути, он не может думать о значениях слов в языке. Для появления сильного ИИ необходимо создать искусственное понятие смысла.[2] Сегодня ИИ способен уловить синтаксис языка для решения многих конкретных проблем, но никогда не устанавливает значения слов этих языков и не может абстрагировать эти слова до концепций более высокого порядка. [3]

Создание искусственного представления значения требует анализа того, что такое значение. Многие термины связаны со значением, включая семантику, прагматику, знание и понимание или смысл слова.[4] Каждый термин описывает определенный аспект значения и способствует множеству теорий, объясняющих, что такое значение. Эти теории нуждаются в дальнейшем анализе, чтобы разработать искусственное понятие значения, наиболее подходящее для нашего текущего состояния знаний.

Графические представления

Абстрактный подход к тому, как представление знаний и рассуждения позволяют решить конкретную проблему (ответ) на данную проблему (вопросы)

Представление значения в виде графика - это один из двух способов, с помощью которых и ИИ, и лингвистический исследователь думают о значении (коннекционист Посмотреть). Логики используют формальное представление значения, чтобы развить идею символического представления, тогда как логика описания описывает языки и значение символов. Это противоречие между «аккуратными» и «небрежными» методами обсуждается с 1970-х годов.[5]

Исследования пока определили семантические меры, и с этим Устранение смысловой неоднозначности (WSD) - разграничение значений слов - как основная проблема понимания языка.[6] Как среда, полная ИИ, WSD представляет собой ключевую проблему понимания естественного языка.[7][8] Подходы ИИ, использующие рассуждения, основанные на знаниях, создают понятие значения, объединяющее современное знание естественного значения с символической и коннекционистской формализацией значения для ИИ. Абстрактный подход показан на рисунке. Во-первых, коннекционистское представление знаний создается как семантическая сеть состоящий из понятий и их отношений, служащих основой для представления значения.[9][10][11][12]

Этот график построен на основе различных источников знаний, таких как WordNet, Викисловарь, и BabelNET. Граф создается лексической декомпозицией, которая рекурсивно семантически разбивает каждое понятие на набор семантические числа.[1] Простые числа взяты из теории Естественный семантический метаязык,[13] который был проанализирован на предмет пригодности для формальных языков.[14] При прохождении этого маркера графика[15][16][17] используется для создания динамической части значения, представляющей мысли.[18] Алгоритм передачи маркера, при котором символическая информация передается по отношениям от одного понятия к другому, использует интерпретацию узлов и ребер для направления своих маркеров. Модель интерпретации узлов и ребер - это символическое влияние определенных концепций.

В будущей работе созданное представление значения используется для построения эвристик и их оценки посредством сопоставления возможностей и агентского планирования. чат-боты или другие приложения понимание естественного языка.

Смотрите также

использованная литература

  1. ^ а б Ример, Ник (30.07.2015). Справочник по семантике Routledge. Рутледж. ISBN  9781317412441.
  2. ^ Майкл, Лоизос (27.07.2015). «Поспешные выводы». CEUR-WS.org: 43–49. Цитировать журнал требует | журнал = (Помогите)
  3. ^ Сова, Джон Ф. (2003). Представление знаний. Машинный пресс Китая. ISBN  9787111121497.
  4. ^ Лёбнер, Себастьян (19 мая 2015 г.). Semantik: Eine Einführung (на немецком). Walter de Gruyter GmbH & Co KG. ISBN  9783110350906.
  5. ^ Минский, Марвин Л. (15.06.1991). «Логическое против аналогичного или символического против коннекциониста или аккуратного против неряшливого». Журнал AI. 12 (2): 34. Дои:10.1609 / aimag.v12i2.894. ISSN  2371-9621.
  6. ^ Устранение неоднозначности слов - алгоритмы и приложения | Энеко Агирре | Springer.
  7. ^ Нэнси Айд и Жан Веронис. Введение в спецвыпуск по устранению неоднозначности смысла слова: современное состояние. Компьютерная лингвистика, 24 (1): 2-40, 1998.
  8. ^ Ямпольский, Роман. «AI-Complete, AI-Hard или AI-Easy: классификация проблем в искусственном». Цитировать журнал требует | журнал = (Помогите)
  9. ^ Сикара, Катя; Клуш, Матиас; Уидофф, Сет; Лу, Цзяньго (1999-03-01). «Динамическое согласование услуг между агентами в открытых информационных средах». Запись ACM SIGMOD. 28 (1): 47–53. CiteSeerX  10.1.1.44.914. Дои:10.1145/309844.309895. ISSN  0163-5808.
  10. ^ Дубы, Филиппа; ter Hofstede, Arthur H.M .; Эдмонд, Дэвид (2003), «Возможности: описание того, что могут делать службы», Конспект лекций по информатике, Springer Berlin Heidelberg, стр. 1–16, CiteSeerX  10.1.1.473.5321, Дои:10.1007/978-3-540-24593-3_1, ISBN  9783540206811
  11. ^ Johannes Fähndrich est First Search Planning of Service Composition с использованием последовательно переопределяемых контекстно-зависимых эвристик. В Немецкой конференции Multiagent System Technologies, страницы 404-407, Springer Berlin Heidelberg, 2013 г.
  12. ^ Фендрих, Йоханнес; Арндт, Себастьян; Албайрак, Сахин (2013), «К самообъясняющим агентам», Тенденции в практическом применении агентов и мультиагентных систем, Springer International Publishing, стр. 147–154, Дои:10.1007/978-3-319-00563-8_18, ISBN  9783319005621
  13. ^ Годдард, Клифф; Вежбицкая, Анна, ред. (1994). Семантические и лексические универсалии: теория и эмпирические данные. Амстердам: Беньямин.
  14. ^ Фендрих, Йоханнес; Арндт, Себастьян; Албайрак, Сахин (2014-10-15). «Разложение формального языка на семантические простые числа». ADCAIJ: Журнал «Достижения в области распределенных вычислений и искусственного интеллекта». 3 (1): 56–73. Дои:10.14201 / ADCAIJ2014385673. ISSN  2255-2863.
  15. ^ «Интеграция прохождения маркера и решения проблем: расширяющийся подход к активации для улучшения выбора при планировании». CRC Press. 1987-11-01. Получено 2018-11-30.
  16. ^ Херст, Грэм (1987-01-01). Семантическая интерпретация и разрешение неоднозначности. Издательство Кембриджского университета. ISBN  978-0521322034.
  17. ^ «Самообъяснение через семантическую аннотацию: обзор». ResearchGate. Получено 2018-11-30.
  18. ^ Крестани, Фабио (1997). «Применение методов активации распространения в поиске информации». неопределенный. Получено 2018-11-30.