自然语言理解-语义知识的形式化表示
自然语言处理中的语义理解技术
自然语言处理中的语义理解技术随着人工智能的快速发展，自然语言处理（Natural Language Processing，简称NLP）成为了一个热门的研究领域。
其中，语义理解技术在NLP中扮演着至关重要的角色。
语义理解是指将自然语言转化为有意义的表示形式或者是执行相应任务的过程。
本文将介绍自然语言处理中的语义理解技术，并探讨其应用和挑战。
一、语义理解的基本概念和方法语义是指语言表达的意义和推理背后的逻辑关系。
在自然语言处理中，语义理解旨在对文本中的语义进行理解和表示，以便计算机能够理解和处理文本信息。
语义理解涉及语义角色标注、语义关系抽取、情感分析等多个相关任务。
1. 语义角色标注（Semantic Role Labeling，简称SRL）语义角色标注是一种将词语与句子内部语义结构进行对应的技术。
通过将句子中各个成分的语义角色进行划分和标注，可以更好地理解句子的意义。
例如在句子“小明吃了一个苹果”中，可以将“小明”标注为“施事角色”，“吃了”标注为“谓事角色”，“一个苹果”标注为“受事角色”。
语义角色标注技术的应用包括问答系统、信息抽取等领域。
2. 语义关系抽取（Semantic Relation Extraction）语义关系抽取是指从文本中提取出实体之间的语义关系的技术。
例如在句子“苹果是一种水果”中，可以提取出“苹果”与“水果”的“属于”关系。
语义关系抽取的应用广泛，包括知识图谱构建、信息检索等领域。
3. 情感分析（Sentiment Analysis）情感分析是指判断文本中的情感极性（积极、消极或中性）的技术。
情感分析可以应用于舆情分析、社交媒体挖掘等领域。
例如在评论“这家餐厅的食物很好吃！”中，情感分析可以判断评论为积极情感。
二、语义理解技术的应用语义理解技术在各个领域都有广泛的应用。
1. 机器翻译机器翻译是指计算机将一种语言的文本转化为另一种语言的过程。
语义理解技术在机器翻译中起着重要的作用，帮助计算机充分理解源语言的语义，从而更准确地翻译为目标语言。
自然语言处理中的语义理解方法评估指标
自然语言处理中的语义理解方法评估指标自然语言处理（Natural Language Processing，NLP）是人工智能领域中的重要分支，其目标是使计算机能够理解和处理人类语言。
在NLP中，语义理解是一个关键的任务，它涉及对文本中的意义和语境进行分析和解释。
为了评估语义理解方法的有效性和准确性，研究人员提出了一系列评估指标。
一、语义相似度语义相似度是衡量两个文本之间意义接近程度的指标。
常用的方法是计算两个文本之间的词语、短语或句子的相似度得分。
其中，词向量模型（Word Embedding）是一种常用的技术，它可以将词语映射到一个高维空间中的向量表示，从而捕捉词语之间的语义关系。
通过计算向量之间的距离或相似度，可以评估两个文本之间的语义相似度。
二、语义角色标注语义角色标注是将句子中的成分与其在句子中扮演的语义角色进行对应的任务。
为了评估语义角色标注的准确性，可以使用准确率、召回率和F1值等指标。
准确率衡量了标注结果中正确的角色数量占总标注数量的比例，召回率衡量了标注结果中正确的角色数量占应标注的角色数量的比例，F1值是准确率和召回率的调和平均值。
三、语义解析语义解析是将自然语言句子转换为形式化的语义表示的过程。
常用的语义解析方法包括基于规则的方法和基于统计的方法。
为了评估语义解析的质量，可以使用语义解析准确率和语义解析覆盖率等指标。
语义解析准确率衡量了解析结果中正确的语义表示数量占总解析结果数量的比例，语义解析覆盖率衡量了解析结果中正确的语义表示数量占应解析的句子数量的比例。
四、问答系统问答系统是一种能够回答用户提出的问题的系统。
为了评估问答系统的性能，可以使用准确率、召回率和F1值等指标。
准确率衡量了系统给出的答案中正确答案的比例，召回率衡量了系统能够找到的正确答案占所有正确答案的比例，F1值是准确率和召回率的调和平均值。
五、情感分析情感分析是对文本中的情感倾向进行判断的任务。
为了评估情感分析的准确性，可以使用准确率和召回率等指标。
自然语言理解的五大难题
自然语言理解的五大难题全文共四篇示例，供读者参考第一篇示例：自然语言理解是人工智能领域中的一个重要研究方向，其目标是帮助计算机系统理解和处理人类日常使用的自然语言，使计算机具有类似人类的语言智能能力。
自然语言理解面临着许多挑战和困难，下面将介绍自然语言理解的五大难题。
词义消歧是自然语言理解中的一个重要问题。
在自然语言中，一个词可能有多种不同的含义，而且同一个词在不同的上下文中可能具有不同的含义。
计算机系统需要能够识别并理解文本中词语的具体含义，以确保正确理解句子的意思。
语言歧义是自然语言理解中的另一个重要难题。
语言歧义指的是一个句子有多种不同的解释或理解方式，例如歧义词、歧义句等。
计算机系统需要具备智能的能力来区分并选择最合适的解释或理解方式，从而准确理解句子的意思。
语言规则的复杂性是自然语言理解的难题之一。
自然语言具有复杂的语法和句法规则，而且不同语言之间的规则也各不相同。
计算机系统需要能够理解并遵循这些复杂的语言规则，以正确理解和处理自然语言文本。
第四，语言的上下文依赖性是自然语言理解的重要问题。
在自然语言中，句子的意思往往依赖于其上下文环境，即前后文的内容和语境对句子的理解都会产生影响。
计算机系统需要能够识别和理解句子的上下文环境，以更准确地理解句子的意思。
语言的复杂性和多样性也是自然语言理解的挑战之一。
自然语言具有丰富多样的表达方式和结构形式，而且人类语言的演变和发展也会使语言变得更加复杂和多样化。
计算机系统需要具备强大的学习和适应能力，以应对不断变化的自然语言环境。
自然语言理解面临着诸多难题和挑战，包括词义消歧、语言歧义、语言规则的复杂性、语言的上下文依赖性以及语言的复杂性和多样性等。
要解决这些难题，需要不断地深入研究和创新，发展更加智能和高效的自然语言理解技术，以实现计算机系统对自然语言的准确理解和处理。
希望未来能够有更多的突破和进展，使人工智能系统能够更好地理解和应用自然语言，为人类生活和工作带来更多的便利和效益。
amr的格式
AMR的格式AMR（Abstract Meaning Representation）是一种用于表示自然语言句子语义的形式化表示。
它旨在捕捉句子的抽象意义，而不受特定语言的限制。
AMR的格式提供了一种清晰、简洁的方式来表示句子的含义，并可以用于自然语言处理任务，如机器翻译、问答系统和信息抽取等。
AMR的基本结构AMR由一组有向无环图（Directed Acyclic Graph，DAG）构成，其中每个节点代表一个词或短语，每个边代表节点之间的关系。
AMR的节点和边都有唯一的标识符，以便进行引用。
AMR的节点由以下三个部分组成：1.概念（Concept）：表示节点的语义概念，通常是一个单词或短语，用小写字母和下划线表示（如：person）。
2.实体（Entity）：表示节点对应的具体实体，可以是一个词或短语，用双引号括起来（如：“John”）。
3.属性（Property）：表示节点的附加属性，以冒号开头，后面跟随一个概念或实体（如：:age 30）。
AMR的边由以下两个部分组成：1.关系（Relation）：表示两个节点之间的语义关系，通常是一个动词或介词短语，用小写字母和下划线表示（如：:arg0-of）。
2.角色（Role）：表示关系的角色，用冒号开头，后面跟随一个概念或实体（如：:arg0 person）。
AMR的例子下面是一个简单的例子，展示了一个AMR句子的表示：(e / eat-01:arg0 (b / boy):arg1 (a / apple))在这个例子中，AMR表示了一个句子“一个男孩吃了一个苹果”。
句子中的“吃”是动词，对应AMR中的一个节点，标识符为“e”，概念为“eat-01”。
节点“e”的两个边表示了它与其他节点的关系。
边“:arg0”表示节点“e”是动作的执行者，对应节点“b”，概念为“boy”。
边“:arg1”表示节点“e”是动作的目标，对应节点“a”，概念为“apple”。
自然语言理解-形式化句法理论
发展过程
转换生成语法（1957）
Syntactic Structure. The Hague: Moutong & Co.
管辖与约束理论（1981）
Lectures on Government and Binding. Foris, Dordrecht A Minimalist Program for Linguistics Theory, MIT Occasional Papers in Linguistics, #1
the book is given to linda by jan jan gives the book to linda
the book is given to linda someone gives the book to linda
jan promises linda to come jan promises linda that jan comes
X
N0 dose not c-commands Det but m-commands Det A
Y B
N2 Det N1 N0
管辖Government
Government:
x governs y iff
x = X0 x m-commands y, and if ex. z m-commands y, z m-command x or y m-command z.
Case Theory q-Criterion Binding Principle
Deep Structure
move a Surface Structure
Logical Form
语义知识的组织模型
语义知识的组织模型一、引言语义知识是人类认知过程中的重要组成部分，它与人类的思维、语言和行为密切相关。
在计算机科学领域，语义知识是实现自然语言理解、信息检索、智能问答等任务的关键因素。
因此，如何有效地组织和表示语义知识成为了自然语言处理领域研究的热点问题之一。
二、传统的语义知识表示方法1.本体论本体论是一种基于逻辑形式化的语义知识表示方法，它通过定义概念和概念之间的关系来描述世界。
本体论被广泛应用于领域建模、信息集成和智能搜索等领域。
2. 语义网络语义网络是一种图形化的表示方法，它将概念表示为节点，并使用边缘来表示概念之间的关系。
这种方法被广泛应用于自然语言理解、信息提取和智能问答等任务中。
3. 产生式规则产生式规则是一种基于规则的表示方法，它通过定义规则来描述概念之间的关系。
这种方法被广泛应用于专家系统、自然语言生成和机器翻译等任务中。
三、基于语义网的知识表示方法1. RDFRDF是一种基于三元组的语义知识表示方法，它使用主语、谓语和宾语来描述概念之间的关系。
RDF被广泛应用于Web语义化、Linked Data和智能搜索等领域。
2. OWLOWL是一种基于逻辑的语义知识表示方法，它扩展了RDF，并提供了更丰富的表达能力。
OWL被广泛应用于本体构建、推理和智能问答等任务中。
3. SPARQLSPARQL是一种查询语言，它可以用来查询RDF图中的数据。
SPARQL被广泛应用于Linked Data和智能搜索等领域。
四、基于神经网络的知识表示方法1. 词向量词向量是一种将单词映射到低维向量空间的技术，它可以捕捉单词之间的语义关系。
这种方法被广泛应用于自然语言处理任务中，如情感分析、命名实体识别和机器翻译等任务。
2. 神经网络模型神经网络模型是一种将概念映射到低维向量空间的技术，它可以捕捉概念之间的语义关系。
这种方法被广泛应用于知识图谱构建、智能问答和自然语言生成等任务中。
五、知识表示方法的比较与总结传统的语义知识表示方法具有形式化严谨、易于推理和解释的优点，但是缺乏灵活性和表达能力。
自然语言理解一
[18]吴江.中文自然语言理解技术与智能检索[J].图书馆学研究,2006,03:85-87+84.
摘要：本文论述什么是中文自然语言理解技术,详细说明如何理解,智能搜索引擎如何应用中文自然语言理解技术进行检索。
[19]任洁.自然语言与自然语言理解及其应用[J].科教文汇,2006,02:69-70.
[25]黄培红.自然语言理解的机器认知形式系统[J].计算机工程与科学,2007,06:113-116.
摘要：自然语言理解是人工智能研究中的热点和难点之一。基于现有的相关理论,本文提出自然语言理解的形式化定义,以及改进相关的公理系统,从而统一“意思理解”和“道理理解”等两种理解类型。通过设计、开发和运行“篇章理解原型程序”,验证理论成果的正确性和有效性。
[11]钟义信.自然语言理解的全信息方法论[J].北京邮电大学学报,2004,04:1-12.
摘要：在经济全球化需求的推动下,世界在酝酿一场"自然语言信息技术革命",它的基础和核心是"自然语言理解"的理论与方法."全信息自然语言理解方法论"是作者的"全信息理论"在自然语言理解领域的应用.与文献中已有的其他工作不同,其主要特色是:一方面,试图实现语法信息、语义信息、语用信息的综合利用;另一方面寻求"规则方法"和"统计方法"的和谐互补,从而有效增强对自然语言的理解能力.近几年来,应用这一方法论完成了一系列自然语言理解方面的课题,取得了一批可喜的研究成果,表明全信息自然语言理解方法论具有很好的前景.
[26]张珏成.自然语言理解研究的若干基本问题的讨论[J].宁夏大学学报(自然科学版),2002,04:340-343.
第7章 自然语言理解
• 自然语言理解的概念与发展历史
• 语音分析
• 词法分析
• 句法分析
• 语义分析
• 句子的自动理解
• 机器翻译
• 自然语言理解系统应用举例
2
自然语言理解的概念与发展历史
• 语音分析
• 词法分析
• 句法分析
• 语义分析
• 句子的自动理解
• 机器翻译
• 自然语言理解系统应用举例
句法分析
例 1 G＝(Vt，Vn，S, P)
Vt =（the,man,killed,a,deer,likes)
Vn =（S,NP,VP,N,ART,V,Prep,PP)
S=S P：(1) S→NP+VP (2) NP→N (4) VP→V (5) VP→V+NP (7)N→man|deer
J. Weizenbaum：心理医疗ELIZA
4.
72年W. Woods：语音接口 基于知识的自然语言理解发展时期 LUNAR T. Winograd ：英语对话SHEDLU
5. 基于大规模语料库的自然语言理解发展时期
• 自然语言理解的概念与发展历史
语音分析
• 词法分析
• 句法分析
• 语义分析
• 语音分析
• 词法分析
句法分析
• 语义分析
• 句子的自动理解
• 机器翻译
• 自然语言理解系统应用举例
14
句法分析
乔姆斯基语法体系
转移网络 扩充转移网络 句法分析树 自动句法分析算法
15
句法分析
句法分析就是要对句子或短语的结构进行分析，以确定构成句子 的各个词、短语等之间的相互关系以及各自在句子中的作用等，并将 这些关系用层次结构加以表达。
自然语言理解精品PPT课件
自然语言理解的一般问题(6)
• 语言学的研究－理解的层次 – 语音分析：找出最小可独立的声音单元----音素 – 词法分析：找出词汇的各个词素（词根），从中获得语 言学信息 例：我们研究所有东西;把手放在桌上 我们--研究所--有--东西 （交叉歧义） 我们--研究--所有--东西 把--手--放在--桌上 （组合歧义） 把手--放在--桌上
10
自然语言理解的一般问题(9)
• 研究目标
– 建立一个足够精确的语言数学模型使计算机通过编程来 完成自然语言的相关任务。如：听、读、写、说，释义 ，翻译，回答问题等。通过语言索取信息，由此能力则 说明该系统对语言已理解了 。
11
自然语言理解的一般问题(10)
自然语言的层次划分及对应技术
理论 模板匹配、基于规则
9
自然语言理解的一般问题(8)
• 语言学的研究－理解的层次
– 语义分析：通过分析找出词义，结构意义及其结合意义，从而确定 语言所表达的真正（实际）含义或概念。在语言自动理解中，语义 越来越成为一个重要的研究内容。（尤其是对话系统）
你打我 我打你
– 语用分析：研究语言所在的外界环境对语言使用所产生的影响。描 述语言的环境知识、语言与语言使用者在某个给定语言环境中的关 系。为确定真正含义，对表达的结构重新加以解释。（故宫、一块 ）
14
自然语言理解的一般问题(13)
• 自然语言理解的研究大体上经历了三个 时期
– 萌芽时期 – 发展时期
• 早期: 60年代以关键词匹配为主流 • 中期: 70年代以句法－语义分析为主流 • 近期: 80年代以来开始走向实用化和工程化
6
自然语言理解的一般问题(5)
• 语言学的研究
rotate知识推理模型分类
rotate知识推理模型分类
知识推理模型可以根据其工作原理和应用领域进行分类。
以下
是对知识推理模型的分类：
1. 基于规则的知识推理模型：
这种模型使用先验知识和逻辑规则来进行推理。
它们通常基
于专家系统或形式化的知识表示，如产生式系统或逻辑推理系统。
这些模型能够根据事先定义的规则和知识对输入进行推理和推断，
但缺乏对新知识的自适应能力。
2. 基于统计的知识推理模型：
这类模型使用统计学习方法，如机器学习和深度学习，从大
量数据中学习知识并进行推理。
它们能够从数据中学习到模式和规律，对未知数据进行推理。
常见的统计知识推理模型包括神经网络、贝叶斯网络和支持向量机等。
3. 混合型知识推理模型：
这种模型结合了基于规则和基于统计的方法，以克服各自方法的局限性。
混合型模型结合了先验知识和大数据学习，能够更好地适应不同领域的推理任务。
4. 语义推理模型：
语义推理模型基于自然语言理解和语义表示，能够理解和推理自然语言中的逻辑关系和语义信息。
这类模型通常用于自然语言处理任务，如问答系统、文本推理和信息检索等。
5. 知识图谱推理模型：
这种模型基于知识图谱，利用图结构和语义关系进行推理。
知识图谱推理模型能够从图谱中获取知识并进行推理，用于知识表示、关系抽取和推理推断等任务。
综上所述，知识推理模型可以根据其工作原理和应用领域进行多方面的分类，每种模型都有其独特的优势和适用场景。
在实际应用中，根据具体的任务需求和数据特点选择合适的知识推理模型至关重要。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
发现了敌人的哨兵 牛奶饼干 反对的是他 他正在上课 开刀的是张大夫 在火车上写标语 小明的信
一个形式——多个意义（隐喻）
董永这回算是背上口大黒锅了 这家伙真是个狐狸 白天不懂夜的黒 送温暖 办教育 董永终于抹平了七仙女心头的创伤 教堂的钟又敲响了 卧室的钟慢了整整一个小时
c. 在不同性质的符号系统之间进行的符 号变换
“这是残疾人通道”
意义：符号之间无止尽的变换 关系
“我买了辆车”
意思1：我付钱从某处购买了一辆车 意思2：我拥有了一辆车 意思3：我可以使用这辆车 意思4：我的钱都花完了 ……
如何确定符号之间的变换关系
问题1：如何让计算机知道“A的意思是 B”？ 问题2：如何让计算机把符号A变换为符 号B？ 问题1 ＝问题2
张三i把他j出卖了 张三i把他i,j的朋友出卖了 老张i有个漂亮的女儿j，υi,j 很骄傲 老张i买了辆新车j，υj 很贵 老张i中了头奖j，υi 很高兴
一个形式——多个意义（泛指 与特指）
人是会死的 苏格拉底是人 苏格拉底是会死的
鲁迅的作品不可能在一天之内全部读完 《祝福》是鲁迅的作品 《祝福》不可能在一天之内全部读完
X1+ 有+ Y1：空间关系 X2+ 有+ Y2：领有关系
这本书有许多读者
编辑部有许多读者 张老大有很多手下 许多人给编辑部打来了电话 * 这本书有许多人 编辑部有许多人 张老大有很多人
读者1：0价 读者2：1价 手下：0/1价？
一个形式——多个意义（指代 消解）
语义知识的形式化表示
什么是意义？
关于意义的许多说法
指称论 意念论 行为论 情境论 实证论 真值论 用法论 境况论 ……
从计算机的角度看意义
计算机只能在符号世界里转圈圈； 意义就是符号变换的游戏； 纯粹从符号世界的角度看，“A的意义是B”意 味着什么? 所谓知道一个符号串的意义，包含两层意思：
困难：形式与意义的非一一对 应性
一个形式——多个意义
自然语言理解必须面对的问题
一个意义——多个形式
“意义”怎么能论“个”呢？
自然语言生成必须面对的问题
把上述问题换种表述法：
符号A对应着多个可能的变换结果B1,B2,B3,…，在 特定场合下，到底选哪一个？
一个形式——多个意义（多义 词）
亲属词本质上表示的是人与人之间的关系； 复杂的关系可以还原为基本的关系和属性； 最基本的关系是：亲子关系(Parent)、夫妻关系 (Consort)、长幼关系(Order)； 最基本的属性是性别属性(Sex)，值为男性（Male）， 女性（Female）； 任意一个亲属词都可以表达为参考人X的函数；
语义知识的性质和作用
语义知识跟句法知识的性质差别主要在 于知识颗粒度的粗细不同——语义知识 就是细化了的句法知识；句法知识就是 非常概括的语义知识； 宏观而言，语义知识跟句法知识的作用 是相同的——都是为了正确地进行符号 串的变换操作
依赖语义知识进行结构分析
例1发现宝藏的人v + n1+ 的+ n2 例2知道敌军的意图v + n1+ 的+ n2
_____ V VP
_____ V NP VP
论元类型－论旨角色
反映动词所能结合的名词语义角色
汉语动词的论旨角色层级系统
论旨角色的定义
原型施事（proto-typical agent）典型性 渐减的三个小类
论旨角色的定义
施事、感事、主事句法上的分布
施事的句法定义
这个编辑很不错 他每年要编辑一百万字的书
多义词兼名、动两个Fra bibliotek性的
这小伙子是干警察的好材料 把这个小伙子的材料送人事部 这是一种新型材料 只有名词一个词性的多义情
形
这是我刚买的字典 我刚查的字典，难道还有错
虚词的多义情形
一个形式——多个意义（多义 词?多义句式？）
许多读者给编辑部打来了电话
依赖语义知识进行词义消歧
例1 例2
多义 词义项 释义 英语译词 想主意 想1 思索，思考 think 想女儿 想2 想念，怀念 miss
依赖语义知识进行推理
例1 乡长买了一瓶茅台－> 乡长拥有了一瓶茅 台 例2 乡长给了村长一瓶茅台－> 村长得到了一 瓶茅台－> 乡长失去了一瓶茅台 例3 乡长正在打鼾－> 乡长正在睡觉 例4 Every farmer who owns a donkey beats it. John is a farmer. Pandora is a donkey .Does John beat Pandora? --Yes. --I don‟t know
词例层次
正面描述与反面描述
论旨角色与句法结构的对应关 系
动词各论旨角色可以出现的句法位置 …… S3: A + 用+ I + __ + P 例如：妈妈用小刀切西瓜 S4: I + A + __ + P 例如：这把刀我切肉 S5: Ma + A + __ + P 例如：那些白菜我都包饺子了 S6: A + 用+ Ma + __ + R 例如：姐姐用细毛线织了一件上衣 S7: A + 把+ Ma + __ + R 例如：妈妈把板栗全包了粽子 S8: A + __ + I 例如：我切这把大刀 S9: A + __ + Ma 例如：我包韭菜馅儿，你包肉馅儿 S10: A + __ + M 例如：我包小包，你包大包 …… A-施事；I-工具；P-受事；Ma-材料；M-方式；R-结果；
语义场描述
颜色语义场
X<Y 的意思是：如果一种语言包含Y，则一定也包含X Berlin,B. & Kay, P. 1969, Basic Color Terms, Berkeley and Los Angeles: University of California Press.
亲属关系语义场
论旨角色与句法结构的对应关 系（续）
{R1}vp->vp np :: $.内部结构=述宾, IF %vp. 受事=%np TRUE, IF %vp.结果=%np TRUE, … {R2}np->vp u<的> np :: …,IF %vp.内部结构 =述宾 THEN %vp.施事=%np ENDIF,… 发现宝藏的人——[ [发现宝藏] 的人] 知道敌军的意图——[知道[敌军的意图] ] 发现敌人的哨兵——[发现[敌人的哨兵] ]—— [ [发现敌人] 的哨兵]
从词类到语义类到语义特征，是不断对结构模 式进行细化的一个过程
关于词义组合关系的知识
理想目标：描述任意词语之间的组配关系 动词－名词之间的组配关系 论元个数——配价数 论元类型——论旨角色 对论旨角色的选择限制 论旨角色与句法结构位置之间的对应关系 广义配价模式
论元个数－配价数
2）细化组合模式（从词类到语义类）－句法 分析
修理汽车的工人-v + n + 的+ n 寻找烈士的遗物-v + n + 的+ n[ [ 修理汽车] 的工 人] -v + 交通工具+ 的+ 人 [寻找[烈士的遗物] ] -v + 人+ 的+ 具体物
语义类与语义特征
类与特征所描述的信息是等价的；有n个取二 值的特征，就可以分出2n个类，反之亦然。 “烈士”、“家属”——烈士家属* 家属烈士 烈士——语义类：人 家属——语义类：人，关系：Yes “关心烈士的家属”——v + n + 的+ n——v + 人+ 的+ 人——v + 人+ 的+ 人{关系:Yes}
关于词义聚类关系的知识
同义（近义）关系 反义关系 同位关系 上、下位关系
语义特征表示
语义场描述
语义场是对语义特征的系统化表述 顺序，循环，层级，… 语义场为结构化的语义特征值提供了描述手 段
一月，二月，……，十二月 星期一，星期二，……，星期日 钱，两，斤，公斤，吨 学士，硕士，博士 国，省，市，县，镇，乡，村
反映动词所能投射的基本句法结构的性 质
V 零元（价）动词 ____ V ____ V ____ ____ V ____ ____ ……
一元（价）动词 二元（价）动词 三元（价）动词 X元（价）动词
X 价动词
_____ 为(向，对) ______ V
董永总为别人着想 大家向董永看齐 董永对七仙女发火 那个犯人企图逃跑 董永觉得不舒服 董永告诉七仙女晚上六点开会
语义· 理解· 语义知识
理解符号串A的意思＝将A变换为符号串B
对A进行句法结构分析 对A进行词义排歧分析 对A进行推理 ……
在机器看 来，只不过是在做 符号串变换的操作