[論文レビュー] Modeling meaning: computational interpreting and understanding of natural language fragments

Michael Kapustin, Pavlo Kapustin|arXiv (Cornell University)|May 29, 2015

Natural Language Processing Techniques被引用数 4

ひとこと要約

本稿では、定量的な意味情報をエンコードする構成的で文脈に敏感な知識表現を用いて、自然言語断片の意味をモデル化する画期的な計算フレームワークを提示する。これは、意味の理解不能を検出するとともに、文脈的に最も妥当な解釈を選択することで、曖昧性や不完全性に対処する解釈可能で、不確実性の管理と動的知識統合を可能にする。

ABSTRACT

In this introductory article we present the basics of an approach to implementing computational interpreting of natural language aiming to model the meanings of words and phrases. Unlike other approaches, we attempt to define the meanings of text fragments in a composable and computer interpretable way. We discuss models and ideas for detecting different types of semantic incomprehension and choosing the interpretation that makes most sense in a given context. Knowledge representation is designed for handling context-sensitive and uncertain / imprecise knowledge, and for easy accommodation of new information. It stores quantitative information capturing the essence of the concepts, because it is crucial for working with natural language understanding and reasoning. Still, the representation is general enough to allow for new knowledge to be learned, and even generated by the system. The article concludes by discussing some reasoning-related topics: possible approaches to generation of new abstract concepts, and describing situations and concepts in words (e.g. for specifying interpretation difficulties).

研究の動機と目的

• 文脈における語句の意味をモデル化する計算的に解釈可能な手法の開発。
• 文脈的推論を通じて曖昧性を検出し、解消することで、自然言語における意味の理解不能を扱う。
• 文脈に依存する不確実で曖昧な情報を扱い、新たな知識を統合可能な拡張性を持つ知識表現の設計。
• システムが新しい抽象的概念を生成または学習し、自然言語で解釈の困難さを記述できるようにする。
• 静的意味辞書を超えた、自然言語理解における推論と解釈を支援する。

提案手法

• アプローチは、概念の定量的本質を捉える構成的知識表現を用い、意味に関する形式的推論を可能にする。
• 文脈の制約と利用可能な情報に基づいて解釈を動的に調整することで、文脈感受性をモデル化する。
• 解釈の試みにおける一貫性の欠如や整合性の欠如を分析することで、意味の理解不能を検出する。
• 文脈および事前の知識との適合性を評価することで、最も妥当な解釈を選択する。
• 再トレーニングなしに、知識の増分的学習と新しい情報の受容をサポートする。
• 既存の知識コンポーネントの構造的および意味的合成を通じて、抽象的概念を生成する。

実験結果

リサーチクエスチョン

• RQ1 自然言語断片を、計算的に解釈可能かつ文脈に敏感な方法でどのように解釈できるか。
• RQ2 曖昧または不完全な言語において、意味の理解不能を検出し、解消するためのメカニズムは何か。
• RQ3 知識表現モデルが、自然言語理解における不確実性と曖昧な情報をどのように扱えるか。
• RQ4 既存の知識の合成を通じて、システムが新しい抽象的概念を生成または学習する方法は何か。
• RQ5 解釈の困難さを自然言語の用語でどのように記述・診断できるか。

主な発見

• フレームワークは、文脈に配慮した定量的知識表現を通じて、自然言語断片の計算的解釈を可能にする。
• 意味の理解不能は、解釈候補の整合性と一貫性を評価することで体系的に検出される。
• 保存された意味的知識に基づく形式化された推論プロセスを通じて、システムは文脈的に最も妥当な解釈を選択する。
• 知識表現は、新しい情報の動的統合と、新しい文脈への適応をサポートする。
• 既存の意味的コンポーネントの合成を通じて、新しい抽象的概念の生成が可能になる。
• 解釈の困難さは自然言語で表現可能であり、システムが推論の課題を自己記述できる。