[论文解读] 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 4

一句话总结

本文提出了一种新颖的计算框架，通过一种组合性、上下文敏感的知识表示方法，对自然语言片段的意义进行建模，该方法编码了定量语义信息。该框架能够通过检测语义不理解并选择最符合上下文的解释，实现对模糊或不完整语言的可解释理解，重点关注不确定性处理和动态知识集成。

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).

研究动机与目标

• 开发一种计算上可解释的方法，用于在上下文中建模词语和短语的意义。
• 通过检测和解决基于上下文推理的模糊性，应对自然语言中的语义不理解。
• 设计一种支持上下文敏感、不确定和不精确信息的知识表示，并具备扩展新知识的能力。
• 使系统能够生成或学习新的抽象概念，并以自然语言描述解释困难。
• 支持自然语言理解中的推理与解释，超越静态语义词典的限制。

提出的方法

• 该方法使用组合性知识表示，捕捉概念的定量本质，从而实现在意义上的形式化推理。
• 通过根据上下文约束和可用信息动态调整解释，实现上下文敏感性建模。
• 通过分析解释尝试中的一致性或连贯性缺失来检测语义不理解。
• 系统通过评估与上下文和先验知识的兼容性，选择最可能的解释。
• 该表示支持增量学习和无需重新训练即可容纳新信息。
• 通过现有知识组件的结构和语义组合生成抽象概念。

实验结果

研究问题

• RQ1 如何以计算上可解释且上下文敏感的方式解释自然语言片段？
• RQ2 哪些机制可以检测并解决模糊或不完整语言中的语义不理解？
• RQ3 知识表示模型如何在自然语言理解中处理不确定性和不精确信息？
• RQ4 系统通过组合现有知识如何生成或学习新的抽象概念？
• RQ5 如何以自然语言术语描述和诊断解释困难？

主要发现

• 该框架通过上下文感知、定量的知识表示建模意义，实现了对自然语言片段的计算解释。
• 通过评估解释候选的连贯性和一致性，系统性地检测语义不理解。
• 系统通过在存储的语义知识上进行形式化推理过程，选择最符合上下文的解释。
• 知识表示支持新信息的动态集成和对新情境的适应。
• 该方法允许通过组合现有语义组件生成新的抽象概念。
• 解释困难可用自然语言表达，从而实现系统对推理挑战的自我描述。