11 Часть I. Компоненты 14 Глава Компьютерная
жүктеу/скачать 4,29 Mb.
|
nikolaev is mitrenina ov lando tm red prikladnaia i kompiute
- Бұл бет үшін навигация:
- Значения слотов
- Таблица 2.
- Слоты Значения Фрейм 1
- Фрейм 2
- Фрейм 3
Таблица 1. Фрейм «Регистрация в гостинице»
Если фреймовая модель создается для описания сложного события или динамически развивающейся ситуации, принято говорить о сценари- ях (scripts), которые сами по себе могут представлять систему связанных между собой фреймов. Так, сложная экстралингвистическая ситуация Гостиница хорошо описывается с помощью сценария, в сокращенном виде представленного в табл. 2. и содержащего в качестве элемента фрейм Регистрация в гостинице. Таблица 2. Сценарий «Гостиница»
Особой разновидностью фреймов также являются падежные фреймы, предложенные Чарльзом Филлмором для описания семантико- синтаксических отдельных слов и целых предложений [Филлмор 1988]. Простейший падежный фрейм включает в себя данные о сочетаемости целевого слова с точки зрения семантических ролей тех контекстных эле- ментов, которые связаны с ним синтаксическими отношениями (в преде- лах рамки валентностей или модели управления). Такой фрейм состоит из метки имени, слотов с метками семантических падежей и значений слова, то есть лексических единиц контекста. Тем самым, падежные фреймы яв- ляются удобным способом формализации моделей управления или рамок валентностей, а также основным формальным средством, используемым в Грамматике конструкций. Фреймы используются как способ хранения данных в базе конструк- ций FrameNet, в ресурсах PropBank и NomBank, а также для аннотации аргументно-предикатных структур в корпусах текстов [Palmer, Gildea, Kingsbury 2005]. Например, так в PropBank выглядит падежный фрейм для глагола buy (покупать, приобретать): Arg0-PAG: buyer (agent) — покупатель (агенс) Arg1-PPT: thing bought (theme) — покупаемый объект (тема) Arg2-DIR: seller (source) — продавец (источник) Arg3-VSP: price paid (asset) — выплачиваемая сумма (средства) Arg4-GOL: benefactive (beneficiary) — бенефактив (лицо, получающее экономическую выгоду) Аналогичным образом производится аннотация контекстов в PropBank, которая представима в том числе и в виде фреймовых структур: The company bought sugar on the world market to meet export commitments. (Компания приобрела сахар на мировом рынке, чтобы вы- полнить обязательства по экспорту). Arg0: The company (Компания) Rel: bought (приобрела) Arg1: sugar (сахар) Argm-loc: on the world market (на мировом рынке) Argm-pnc: to meet export commitments (чтобы выполнить обязатель- ства по экспорту) Фреймовые модели успешно используются в качестве основы для он- тологий, в разработке семантических модулей для систем автоматической обработки и генерации текстов, например, в вопросно-ответных системах. Так, при моделировании информационно-справочных диалогов классифи- кационные фреймы и фреймы-сценарии позволяют адекватным образом представлять параметры экстралингвистических ситуаций, явно выражае- мые в репликах. В частности, приведенные выше в табл. 1 и 2 примеры фреймовых описаний для ситуации Гостиница были составлены для лин- гвистического процессора с опорой на типовые диалоги из словарей- разговорников [Азарова, Герд, Митрофанова 2002]. Современные разновидности семантических представленийСегодня появляются новые виды представления знаний, среди кото- рых на передовую вышли так называемые графы знаний (knowledge graphs) — иерархически организованные базы знаний, создаваемые для оптимизации информационного поиска [Singhal 2012]. В графе знаний хранится разнообразная информация о той или иной теме, дополняемая ссылками на информативные сайты. Источниками данных для графа зна- ний являются Wikipedia, Freebase, Wikidata, Factbook и ряд других. Графы знаний начали широко применяться в различных прикладных системах, например в компании Google, где он используется для быстрого ответа на информационные запросы прямо на странице результатов поиска. Графы знаний также помогают справляться с лексической неоднозначностью: например, при запросе об одинаково именуемых объектах факты о них приводятся отдельно, ср. Taj Mahal (Тадж-Махал) — название памятника архитектуры и имя музыканта. Граф знаний показывает связи между фак- тами об одном и том же объекте, которые могут быть неизвестны или не- очевидны для пользователя: при запросе о Марии Кюри можно получить факты о её жизни, научной биографии, семье, достижениях родственников и т. д. В 2012 году объем графа знаний компании Google составлял 570 млн объектов и 18 млрд фактов об объектах и их отношениях. Граф знаний поддерживается на нескольких языках: помимо английского в нем пред- ставлены испанский, французский, немецкий, португальский, японский, русский, итальянский. Объем хранимых объектов и отношений между ними постоянно увеличивается. Граф знаний передает эстафету появившемуся несколько позже ре- сурсу аналогичного типа, а именно Knowledge Vault, созданному автома- тически на основе применения алгоритмов машинного обучения к интер- нет-данным. Особенностью Knowledge Vault является то, что отражаемые в нем факты имеют оценку «правдоподобности» или «доверия», т. е. сте- пень истинности или ложности. Словом, инженерия знаний предлагает всё более сложные семантические представления, отвечающие высоким требованиям современных интеллектуальных процессоров. жүктеу/скачать 4,29 Mb. Достарыңызбен бөлісу:
|