} } }

    【说话处理惩罚与Python】10.4英语句子的语义

    添加时间:2013-6-5 点击量:

    基于特点的文法中的合成语义学


    组合原则:整体的含义是项目组的含义与它们的句法连络体式格式的函数。


    我们的目标是以一种可以与解析过程腻滑对接的体式格式整合语义表达的构建。类似于下面这幅图:




    SEM 是语义的意思。


    1、根节点的SEM显示了全部句子的语义默示。


    2、较低节点的SEM值显示了句子的成分。


    3、SEM值要以特别的体式格式对待,所以被放在了尖括号里面。


    可以如许机关文法:



    S[SEM=<?vp(?np)>]-> NP[SEM=?subj]VP[SEM=?vp]
    
    VP[SEM
    =?v]-> IV[SEM=?v]
    NP[SEM
    =<cyril>]-> Cyril
    IV[SEM
    =<\x.bark(x)>] -> barks


    在讲述组合语义规矩的细节之前,须要为我们的对象箱添加新的对象,成为λ演算。用于在哦呜们组装一个英词句子的意思默示时,组合一阶逻辑表达式。


    λ演算



    {w| w∈V&P(w)}


    这个凑集注解了,所有w的凑集,此中w是V(词汇表)的元素且w有属性P。


    我们须要添加一些能达到同样结果的器材到一阶逻辑中是很是有效的。我们用λ运算符来做这个工作。


    例如:



    λw.(V(w) &P(w))


    λ是束缚运算符,就像一阶逻辑量词。


    若是我们有一个开放公式,可以将x与λ进行绑定。



    (33)a. (walk(x) &chew_gum(x))
    
    b.λx.(walk(x)
    &chew_gum(x))
    c.\x.(walk(x)
    &chew_gum(x))



    >>>lp =nltk.LogicParser()
    
    >>>e = lp.parse(r\x.(walk(x) &chew_gum(x))
    >>>e
    <LambdaExpression\x.(walk(x) &chew_gum(x))>
    >>>e.free()
    set([])
    >>>print lp.parse(r\x.(walk(x) &chew_gum(y))
    \x.(walk(x)
    &chew_gum(y))


    λ-抽象:


    1、一个开放公式φ有变量x


    2、x抽象为一个属性表达式λ x.φ,满足φ的x的属性


    若是φ是一个开放公式,我们有的时辰可以把他算作一元谓词:



    (36) \x.(walk(x) &chew_gum(x))(gerald)


    他与37要表达的意思是一样的。



    (37) (walk(gerald) &chew_gum(gerald))


    从36到37的操纵叫做β-约简,可以如许用代码来演示:



    >>>e = lp.parse(r\x.(walk(x) &chew_gum(x))(gerald)
    >>>print e
    \x.(walk(x)
    &chew_gum(x))(gerald)
    >>>print e.simplify()
    (walk(gerald)
    &chew_gum(gerald))


    主体可所以任何合适文法的表达式,下面是一个有两个λ的例子:



    (38) \x.\y.(dog(x) &own(y,x))


    同样,在我们的代码中也可以演示:



    >>>print lp.parse(r\x.\y.(dog(x) &own(y,x))(cyril)).simplify()
    
    \y.(dog(cyril)
    &own(y,cyril))
    >>>print lp.parse(r\x y.(dog(x) &own(y, x))(cyril, angus)).simplify()
    (dog(cyril)
    &own(angus,cyril))


    existsx.P(x)和existsy.P(y)是等价的;它们被称为α-等价,或字母变体。


    从头标识表记标帜绑定的变量的过程被称为α-转换。


    在logic 模块中测试VariableBinderExpressions是否相等(即应用==)时,我们其实是测试α-等价:



    >>>e1 = lp.parse(exists x.P(x)
    >>>print e1
    exists x.P(x)
    >>>e2 = e1.alpha_convert(nltk.Variable(z))
    >>>print e2
    exists z.P(z)
    >>>e1 ==e2
    True


    量化的NP


    若是我们要给出42a的逻辑情势42b,如何才干实现呢?



    (42) a. A dog barks.
    
    b.exists x.(dog(x)
    &bark(x))


    1、我们将主语的SEM值作为函数表达式,而不是参数。如今我们寻找实例化?np的体式格式。使[SEM=<?np(\x.bark(x))>]等价于[SEM=<exists x.(dog(x)&bark(x))>]。


    2、我们调换42b中呈现的\x.bark(x)为一个谓词变量P,并用λ绑定变量,如(43)中所示。


    (43) \P.exists x.(dog(x)&P(x))


    3、加上限制词


    (45) \Q P.exists x.(Q(x)&P(x))


    把Q,P分别被\x.dog(x),\x.bark(x)应用,获得\P.existsx.(dog(x)&P(x))(\x.bark(x))


    经过β-约简获得我们想要的,42b。


    及物动词



    (46) Angus chases a dog.


    我们想要获得的输出语义是:exists x.(dog(x)&chase(angus,x))。我们应用λ-抽象获得如许的成果。


    下面是chase a dog的成功的语义默示:



    (47) \y.exists x.(dog(x)&chase(y,x))


    我们把47作为一个y的属性,可以与43连络,派生出47.


    我们可以在47上,进行约简的逆操纵:


    获得48:



    (48) \P.exists x.(dog(x)&P(x))(\z.chase(y,z))


    如今,让我们用与NP类型雷同的变量X,调换48中的函数表达式。



    (49) X(\z.chase(y,z))


    我们在49的X变量和主语变量y上的抽象:



    (50) \X y.X(\x.chase(y,x))


    50应用到43,约简后,与47等效:



    >>>lp =nltk.LogicParser()
    
    >>>tvp =lp.parse(r\X x.X(\y.chase(x,y))
    >>>np= lp.parse(r(\P.exists x.(dog(x) &P(x)))
    >>>vp= nltk.ApplicationExpression(tvp,np)
    >>>print vp
    (\X x.X(\y.chase(x,y)))(\P.existsx.(dog(x)
    &P(x)))
    >>>print vp.simplify()
    \x.exists z2.(dog(z2)
    &chase(x,z2))


    重视:从自力常量angus转换为\P.P(angus)是类型提拔的一个例子。


    \P.P(angus)(\x.walk(x))和\x.walk(x)(angus)经过约简都能变为walk(angus)


    下面演示了一个稍微错杂的例子:



    >>> nltk import load_parser
    
    >>>parser = load_parser(grammars/book_grammars/simple-sem.fcfg, trace=0)
    >>>sentence = Angus gives a boneto every dog
    >>>tokens = sentence.split()
    >>>trees = parser.nbest_parse(tokens)
    >>>for tree in trees:
    ...
    print tree.node[SEM]
    all z2.(dog(z2)
    -> exists z1.(bone(z1) &give(angus,z1,z2)))


    如今,我们已经看到了英词句子如何转换成逻辑情势;


    前面我们看到了在模型中如何搜检逻辑情势的真假;


    如今,把这两个映射放在一路,我们可以搜检一个给定的模型中的英语句子的真值。


    下面是一个简单的例子:



    >>>v= 
    
    ... bertie =>b
    ... olive =>o
    ... cyril =>c
    ... boy=>{b}
    ... girl =>{o}
    ... dog=>{c}
    ... walk=>{o, c}
    ... see =>{(b,o),(c, b),(o, c)}
    ...

    >>>val = nltk.parse_valuation(v)
    >>>g= nltk.Assignment(val.domain)
    >>>m=nltk.Model(val.domain, val)
    >>>sent = Cyril sees every boy
    >>>grammar_file = grammars/book_grammars/simple-sem.fcfg
    >>>results = nltk.batch_evaluate([sent],grammar_file, m,g)[0]
    >>>for (syntree, semrel, value) in results:
    ...
    print semrep
    ...
    print value
    exists z3.(ankle(z3)
    &bite(cyril,z3))
    True


    再述量词歧义



    (52) Every girl chases a dog.


    让我们看看,对于52两种不合的读法:



    (53)a. all x.(girl(x) -> exists y.(dog(y) &chase(x,y)))
    
    b.exists y.(dog(y)
    &all x.(girl(x) -> chase(x,y)))



    Cooper存储:语义默示不再是一阶逻辑的表达式,而是一个由一个核心语义默示加一个绑定操纵符链表构成的配对。


    如今假设:已经构建了一个Cooper存储风格的句子52的语义默示,我们把chase(x,y)为核心。给定有关52的两个NP的绑定操纵符链表。我们将一个绑定的操纵符从链表中挑出来与核心连络。


    1、



    \P.exists y.(dog(y) &P(y))(\z2.chase(z1,z2))


    2、



    \P.all x.(girl(x) -> P(x))(\z1.existsx.(dog(x)&chase(z1,x)))


    1,2只是此中一种景象,这种绑定操纵符和核心的体式格式组合被称为S-检索。


    若是我们容许每种可能的次序,就获得了每一个可能的局限排序。



    接下来的题目是:我们如何建树一个核心+存储默示的组合。前面看到,每个短语和词律例则将有一个SEM特点,如今嵌入特点CORE和STORE。


    举一个简单的例子:



    Cyril smiles。


    smiles的词律例则:



    IV[SEM=[CORE=<\x.smile(x)>, STORE=(/)]]-> smiles


    Cyril的规矩更为错杂:



    NP[SEM=[CORE=<@x>,STORE=(<bo(\P.P(cyril),@x)>)]]-> Cyril


    谓词bo有两个项目组:


    1、一个标准默示(类型提拔)


    2、表达式@x,被称为绑定操纵符的地址。@x是原变量,也就是局限在逻辑的自力变量之上的变量。



    VP[SEM=?s]-> IV[SEM=?s]
    
    S[SEM
    =[CORE=<?vp(?subj)>,STORE=(?b1+?b2)]]->
    NP[SEM
    =[CORE=?subj,STORE=?b1]]VP[SEM=[core=?vp,store=?b2]]


    我们可以看到,那个句子的解析树:



    (S[SEM=[CORE=<smile(z3)>, STORE=(bo(\P.P(cyril),z3))]]
    
    (NP[SEM
    =[CORE=<z3>, STORE=(bo(\P.P(cyril),z3))]]Cyril)
    (VP[SEM
    =[CORE=<\x.smile(x)>, STORE=()]]
    (IV[SEM
    =[CORE=<\x.smile(x)>, STORE=()]]smiles)))


    让我们看看更错杂的例子:



    CORE = <chase(z1,z2)>
    
    STORE
    = (bo(\P.all x.(girl(x) -> P(x)),z1),bo(\P.exists x.(dog(x) &P(x)),z2))


    模块nltk.sem.cooper_storage处理惩罚将存储情势的语义默示转换成标准逻辑情势的任务。


    鄙人面的例子中,我们机关了一个CooperStore实例,并搜检他的STORE和CORE。



    >>> nltk.sem import cooper_storageas cs
    
    >>>sentence = every girl chasesa dog
    >>>trees = cs.parse_with_bindops(sentence, grammar=grammars/book_grammars/storage.fcfg
    >>>semrep = trees[0].node[sem]
    >>>cs_semrep = cs.CooperStore(semrep)
    >>>print cs_semrep.core
    chase(z1,z2)
    >>>for boin cs_semrep.store:
    ...
    print bo
    bo(\P.all x.(girl(x)
    -> P(x)),z1)
    bo(\P.existsx.(dog(x)
    &P(x)),z2)


    最后,我们用s_retrieve()来搜检读法:



    >>>cs_semrep.s_retrieve(trace=True)
    
    Permutation1
    (\P.all x.(girl(x)
    -> P(x)))(\z1.chase(z1,z2))
    (\P.exists x.(dog(x)
    &P(x)))(\z2.allx.(girl(x) -> chase(x,z2)))
    Permutation2
    (\P.exists x.(dog(x)
    &P(x)))(\z2.chase(z1,z2))
    (\P.all x.(girl(x)
    -> P(x)))(\z1.existsx.(dog(x) &chase(z1,x)))
    >>>for reading in cs_semrep.readings:
    ...
    print reading
    exists x.(dog(x)
    &all z3.(girl(z3) -> chase(z3,x)))
    all x.(girl(x)
    -> exists z4.(dog(z4) &chase(x,z4)))

    读书,不要想着实用,更不要有功利心。读书只为了自身的修养。邂逅一本好书如同邂逅一位知己,邂逅一个完美之人。有时心生敬意,有时怦然心动。仿佛你心底埋藏多年的话,作者替你说了出来,你们在时光深处倾心相遇的一瞬间,情投意合,心旷神怡。
    分享到: