【说话处理惩罚与Python】10.1天然说话懂得\10.2命题逻辑
添加时间:2013-6-4 点击量:
10.1天然说话懂得
查询数据库
若是有人提出一个题目：
Which country is Athens in？
获得的回承诺该是：
Greece.
这个数据可以经由过程数据库说话获得答案：
SELECT Country FROM city_table WHERE City= athens
这里有一个文法，可以把句子转换成SQL语句：
>>>nltk.data.show_cfg（grammars/book_grammars/sql0.fcfg）
％start S
S[SEM=（？np+ WHERE+ ？vp）] -> NP[SEM=？np]VP[SEM=？vp]
VP[SEM=（？v+ ？pp）] -> IV[SEM=？v] PP[SEM=？pp]
VP[SEM=（？v+ ？ap）] -> IV[SEM=？v] AP[SEM=？ap]
NP[SEM=（？det+ ？n）] -> Det[SEM=？det]N[SEM=？n]
PP[SEM=（？p+ ？np）] -> P[SEM=？p]NP[SEM=？np]
AP[SEM=？pp]-> A[SEM=？a]PP[SEM=？pp]
NP[SEM=Country="greece"]-> Greece
NP[SEM=Country="china"]-> China
Det[SEM=SELECT]-> Which | What
N[SEM=CityFROMcity_table] -> cities
IV[SEM=] -> are
A[SEM=]-> located
P[SEM=]-> in
这使我们可以或许解析SQL查询：
>>> nltk import load_parser
>>>cp = load_parser（grammars/book_grammars/sql0.fcfg）
>>>query =What cities are located in China
>>>trees = cp.nbest_parse（query.split（））
>>>answer = trees[0].node[sem]
>>>q= .join（answer）
>>>print q
SELECT City FROM city_table WHERE Country="china"
要达到可以或许从句子到后来的生成的数据库SQL语句，也就是自力于任何的查询说话，我们应当建树一个经典的逻辑的标准申明。
逻辑情势加倍的抽象，加倍的通用。
天然说话、语义和逻辑
一个句子集W的模型是某种景象的情势化默示，此中w中的所有句子都为真。
看下面这个图：
段落的域D（我们当前关怀的所有实体）是个别的一个凑集，而当凑集从D建树，关系也被确立。
例如：
域D包含3个孩子，Stefan、Klaus和Evi，分别用s、k和e默示。记为D= {s，k，e}。
表达式boy是包含Stefan和Klaus的凑集，表达式girl是包含Evi的凑集，表达式is running是包含Stefan和Evi的凑集。
10.2命题逻辑
我们要设计一种逻辑说话，使推理加倍的明白。
[Klaus chased Evi]and [Evi ran away]
例如这句话，
φ和ψ调换（8）中的两个子句，并用&调换对应的英语词and的逻辑操纵：φ&ψ。这就是这句话的逻辑情势。
下面的标重，指定了包含一些运算符的公式为真的前提。iff作为if and only if（当且仅当）的缩写。
重视蕴含这个运算符：
情势（P ->Q）的公式是为假只有当P为真并且Q为假时。若是P为假（比如说，P对应Themoonis madeofgreen cheese）而Q为真（比如说，Q对应Twoplus two equa ls four）那么P -> Q的成果为真。
NLTK中的inference模块经由过程一个第三方定理证实器Prover9的接口，可以进行逻辑证实。
例如：
SnF默示：Sylvania is to the north of Freedonia。
Fns默示：Freedonia is to the north of Sylvania。
>>>lp =nltk.LogicParser（）
>>>SnF= lp.parse（SnF）
>>>NotFnS= lp.parse（-FnS）
>>>R= lp.parse（SnF -> -FnS）
>>>prover= nltk.Prover9（）
>>>prover.prove（NotFnS，[SnF， R]）
True
一个命题逻辑的模型，须要为每个可能的公式分派值True或False.
我们可以来简单做一个实验：
1、先为每个命题符号分派一个值
>>>val = nltk.Valuation（[（P，True），（Q， True），（R， False）]）
我们可以查看这个值的：
>>>val[P]
True
2、为了简化实验，我们先忽视dom和g的设置
>>>dom =set（[]）
>>>g= nltk.Assignment（dom）
3、应用val来初始化模型m
>>>m=nltk.Model（dom， val）
4、每个模型都有一个evaluate（）办法，可以断定逻辑表达式。例如：
>>>print m.evaluate（（P&Q），g）
True
>>>print m.evaluate（-（P&Q），g）
False
>>>print m.evaluate（（P&R），g）
False
>>>print m.evaluate（（P| R），g）
True
如今，我们只是局限在用字母P、Q等默示原子，句子。然则我们须要超出命题逻辑到一个更有发挥解析力的器材，可以或许看到里面的根蒂根基的句子，也就是一阶逻辑。
我们永远不要期待别人的拯救，只有自己才能升华自己。自己已准备好了多少容量，方能吸引对等的人与我们相遇，否则再美好的人出现、再动人的事情降临身边，我们也没有能量去理解与珍惜，终将擦肩而过。—— 姚谦《品味》
10.1天然说话懂得
查询数据库
若是有人提出一个题目：
Which country is Athens in？
获得的回承诺该是：
Greece.
这个数据可以经由过程数据库说话获得答案：
SELECT Country FROM city_table WHERE City= athens
这里有一个文法，可以把句子转换成SQL语句：
>>>nltk.data.show_cfg（grammars/book_grammars/sql0.fcfg）
％start S
S[SEM=（？np+ WHERE+ ？vp）] -> NP[SEM=？np]VP[SEM=？vp]
VP[SEM=（？v+ ？pp）] -> IV[SEM=？v] PP[SEM=？pp]
VP[SEM=（？v+ ？ap）] -> IV[SEM=？v] AP[SEM=？ap]
NP[SEM=（？det+ ？n）] -> Det[SEM=？det]N[SEM=？n]
PP[SEM=（？p+ ？np）] -> P[SEM=？p]NP[SEM=？np]
AP[SEM=？pp]-> A[SEM=？a]PP[SEM=？pp]
NP[SEM=Country="greece"]-> Greece
NP[SEM=Country="china"]-> China
Det[SEM=SELECT]-> Which | What
N[SEM=CityFROMcity_table] -> cities
IV[SEM=] -> are
A[SEM=]-> located
P[SEM=]-> in
这使我们可以或许解析SQL查询：
>>> nltk import load_parser
>>>cp = load_parser（grammars/book_grammars/sql0.fcfg）
>>>query =What cities are located in China
>>>trees = cp.nbest_parse（query.split（））
>>>answer = trees[0].node[sem]
>>>q= .join（answer）
>>>print q
SELECT City FROM city_table WHERE Country="china"
要达到可以或许从句子到后来的生成的数据库SQL语句，也就是自力于任何的查询说话，我们应当建树一个经典的逻辑的标准申明。
逻辑情势加倍的抽象，加倍的通用。
天然说话、语义和逻辑
一个句子集W的模型是某种景象的情势化默示，此中w中的所有句子都为真。
看下面这个图：
段落的域D（我们当前关怀的所有实体）是个别的一个凑集，而当凑集从D建树，关系也被确立。
例如：
域D包含3个孩子，Stefan、Klaus和Evi，分别用s、k和e默示。记为D= {s，k，e}。
表达式boy是包含Stefan和Klaus的凑集，表达式girl是包含Evi的凑集，表达式is running是包含Stefan和Evi的凑集。
10.2命题逻辑
我们要设计一种逻辑说话，使推理加倍的明白。
[Klaus chased Evi]and [Evi ran away]
例如这句话，
φ和ψ调换（8）中的两个子句，并用&调换对应的英语词and的逻辑操纵：φ&ψ。这就是这句话的逻辑情势。
下面的标重，指定了包含一些运算符的公式为真的前提。iff作为if and only if（当且仅当）的缩写。
重视蕴含这个运算符：
情势（P ->Q）的公式是为假只有当P为真并且Q为假时。若是P为假（比如说，P对应Themoonis madeofgreen cheese）而Q为真（比如说，Q对应Twoplus two equa ls four）那么P -> Q的成果为真。
NLTK中的inference模块经由过程一个第三方定理证实器Prover9的接口，可以进行逻辑证实。
例如：
SnF默示：Sylvania is to the north of Freedonia。
Fns默示：Freedonia is to the north of Sylvania。
>>>lp =nltk.LogicParser（）
>>>SnF= lp.parse（SnF）
>>>NotFnS= lp.parse（-FnS）
>>>R= lp.parse（SnF -> -FnS）
>>>prover= nltk.Prover9（）
>>>prover.prove（NotFnS，[SnF， R]）
True
一个命题逻辑的模型，须要为每个可能的公式分派值True或False.
我们可以来简单做一个实验：
1、先为每个命题符号分派一个值
>>>val = nltk.Valuation（[（P，True），（Q， True），（R， False）]）
我们可以查看这个值的：
>>>val[P]
True
2、为了简化实验，我们先忽视dom和g的设置
>>>dom =set（[]）
>>>g= nltk.Assignment（dom）
3、应用val来初始化模型m
>>>m=nltk.Model（dom， val）
4、每个模型都有一个evaluate（）办法，可以断定逻辑表达式。例如：
>>>print m.evaluate（（P&Q），g）
True
>>>print m.evaluate（-（P&Q），g）
False
>>>print m.evaluate（（P&R），g）
False
>>>print m.evaluate（（P| R），g）
True
如今，我们只是局限在用字母P、Q等默示原子，句子。然则我们须要超出命题逻辑到一个更有发挥解析力的器材，可以或许看到里面的根蒂根基的句子，也就是一阶逻辑。
我们永远不要期待别人的拯救，只有自己才能升华自己。自己已准备好了多少容量，方能吸引对等的人与我们相遇，否则再美好的人出现、再动人的事情降临身边，我们也没有能量去理解与珍惜，终将擦肩而过。—— 姚谦《品味》
