300 likes | 451 Vues
全信息理论与中文信息处理. 钟义信 智能科学技术研究中心 北京邮电大学 2006-8-24 yxzhong@ieee.org. 目 录. 一,问题的提出. 二,解决的方法. 三,研究的重点. 一,问题的提出. 中文信息(自然语言)处理的重大社会需求. 1 ,人际交往 -- 多种语言的存在 -- 全球交往的进程 -- 学习语言的困难 -- 机器翻译的前景. 2 ,人机合作 -- 人类操作能力的局限 -- 机器工作性能的威力 -- 机器认知能力的潜力 -- 人机能力的天然互补. 中文信息(自然语言)处理的核心目标.
E N D
全信息理论与中文信息处理 钟义信 智能科学技术研究中心 北京邮电大学 2006-8-24 yxzhong@ieee.org
目 录 一,问题的提出 二,解决的方法 三,研究的重点
中文信息(自然语言)处理的重大社会需求 1,人际交往 -- 多种语言的存在 -- 全球交往的进程 -- 学习语言的困难 -- 机器翻译的前景 2,人机合作 -- 人类操作能力的局限 -- 机器工作性能的威力 -- 机器认知能力的潜力 -- 人机能力的天然互补
中文信息(自然语言)处理的核心目标 表面上看,“中文信息处理”研究工作的着眼点和落 脚点应是中文信息的“处理” – 如词语切分,词形标注, 语句分析,专名识别,词语消岐,等等。 实质上看,研究工作的目标是“使机器能够在一定 程度上理解中文信息”,或对中文信息实现一定认知。 无论从 “人际通信” 还是 “人机合作” 的需求来看, 处理都是手段,理解(认知)才是目的。
自然语言 “理解” 与人工智能 1,智能的核心是思维;语言是思维的表达;因此语 言也是智能的表达。 2,理解(认知),是智能的内核;因此自然语言理 解是人工智能的基本研究方向。 3,自然语言理解本质上是人工智能、信息科学、 认 知科学和语言学的交叉科学。 4,自然语言理解系统本质上是一类智能系统。
智能系统的核心机制:信息-知识-智能转换 有序信息 目标 思维 器官 知识 预处理 认知 决策 实得 信息 智能 策略 知识库 传导 系统 传导 系统 信息传递 信息传递 感觉 器官 效应 器官 信息获取 需求/约束 需求/约束 信息执行 智能行为 本体 信息
信息-知识-智能转换:自然语言理解通用方法论信息-知识-智能转换:自然语言理解通用方法论 信息(问题与约束) 结果(性能与评价) 智能行为 信息-知识转换 知识-智能转换 信息知识转换 归纳 演绎 归纳 知识库 目的
中文信息处理研究的现状 中文信息处理研究领域取得了许多重要进展和重 要成果;但基本理论、基础资源、基本工具、基本方 法和性能水平离实际应用的要求还有相当差距。 中文信息理解的研究基本上突破了纯粹语法分析 的层次,正在走向语法与语义分析相结合的新阶段。 但是,还少有语用要素的考虑:还没有真正到位。
自然语言“机器认知”的两种基本方法 统计方法(归纳)基于大数定律,方法论上是“从众”, 不要求真正达到理解。是初级认知方法。 缺点:假设难满足;结论平均性;真理常在少数人手中。 优点:容易操作,尤其是有了计算和网络技术的支持。 规则方法(演绎)基于理解和规则推理,是处理新问题 和复杂问题不可避免的高级认知方法。 缺点:规则难建立;规则难完备;规则不灵活。 优点:可信(如果规则和前提均可信) 两种方法性质互补,谁也不能单独包打天下。问题是如 何实现 “统计与规则方法的有效结合:大统计,小规则”。
自然语言理解(机器认知)的困难和意义 自然语言理解是人工智能的典型应用,它的困难充 分表现在:一方面是自然语言表达的多样性、灵活性、 复杂性、动态性,一方面是机器“理解”能力的机械性、 被动性与局限性。 即使是人(更不要说机器)对自然语言的理解也需 要经过长时间的训练和学习,需要在大量“记忆+模仿” 实践的基础上才能逐渐生长出“自主理解”的能力。 自然语言理解是世界级难题,至今没有得到满意 的解决。如果有所进展,将是具有世界意义的贡献。
全信息理论与自然语言理解 语言是信息的载体;信息是语言的内核。理解自然 语言的本质是理解它所载荷的信息,因此要用信息论。 但现有信息论不能解决问题。 “全信息理论”是北京邮电大学智能研究中心创建的 信息理论[1, 2, 3],拥有自主知识产权。 [1] 钟义信,全信息理论,北京邮电大学学报,1984 [2] 钟义信,信息科学原理,北京邮电大学出版社, 1988第一版,1996 第二版,2002第三版 [3] 钟义信等,信息科学教程,北京市研究生教育重点 精品教材,北京邮电大学出版社,2004
为什么Shannon Information不能解决问题? Shannon信息论只关心“噪声中的信号波形复制” 问题: X = {xn} 信号状态(是0还是1?) P = {pn} 各种信号状态的出现方式 n (1,N) D X Y I(X;Y) = H(X) – H(X|Y) H(X) = - pn log pn n
全信息与“认知能力要素” 人的认知能力包括:观察力,理解力,目的性。观察事物的 外部形式,理解事物的内在含义,判断与自身的利害关系。 符号序列 (形式结构) 语法信息 序列内容 序列价值 客体 符号 主体 语义信息 语用信息 在给定语境(包括主体、客体、文本、环境和常识)下, 语言理解要包含该语境下的语法、语义、语用三要素。 只当语境足够深广,语法、语义、语用分析才有唯一解。
全信息自然语言理解的“认知机理” 幼儿识字教学过程:如,教学生认识“树”这个字。 先教怎么写(符号的笔划结构);再告诉“树”的真实 样子(事物的形态结构) ,接着告诉“树”的基本特征及树 与草、与花的区别(语义);再告诉“树”的用途(语用)。 明确了用途或害处(语用),人们才会去关注它。 此后,见到“树”这个字或真的树(语法),就会在脑海 中联想到它的语义和语用;才算理解了这个字。 这就是由“语法”调用“全信息词典”的过程。机器可以 模拟这种认知过程。
An Example for “Understanding” Learning the Concept “Tree” Form Sensing Content Thinking Experiencing Value The Mechanism of Understanding Form Value Content
全信息与语言理解的层次 对于自然语言的理解,存在三个相依的层次: (1)了解它的语法信息 (2)了解它的语义信息 (3)了解它的语用信息 浅层理解 中层理解 深层理解 从语法分析走向语义分析,是自然语言处理的重要 进步;但对自然语言理解而言,仍然没有到位! 语法、语义、语用“三位一体”的分析是自然语言理解方法的基本要求(门槛);“两位一体”还不够。
骨架捕获 –自然语言认知的基本技巧 人类对自然语言的理解(认知)过程既有层次性,又有 灵活性。重要的方法是“快速捕获骨架”(剪枝技巧)。 (1)对浅显而熟悉的部分一扫而过(其实就是剪枝), 只对重要而又困难的部分才做必要的分析。 (2)“必要的分析”主要是“骨架分析”:篇章的骨架,段 落的骨架,语句的骨架。 (3)对于人来说,“一扫而过”也做了“语法-语义-语用” 分析,只是因为熟悉和容易,做的极快(由下意识处理), 以致自己都没有意识到。
全信息自然语言理解的基本模型 合法 骨架? 真实 逻辑? 符合 目的? + + + 预 处理 语法 分析 语义 分析 语用 分析 后 处理 全信息-知识库 学习扩展 人工奠基
“基本模型”的特色 1,目的性 明确地面向“理解”需求。 2,包容性 包容了规则方法和统计方法两种规范。在规则模式下, 序列是语句;在统计模式下,序列是特征集合。 而且可以包容其它基于语言行为特征的方法。 3,灵活性 整体框架是语言学风格,包含语法分析、语义分析和语 用分析;实际分析深度可依问题需求而有所不同。 模块实现可以是规则的、统计的、规则统计交互补足的。 4,开放性: 模型能够适应各种“理解”应用;能够随着信息表示与处 理方法的进步而不断改进自己的性能。
关于灵活性的一个说明 规则分析 N 统计分析 OK? OK? Y 根据实际问题求解的需要,规则方法与统计方法 两者可以灵活地互相调用和互相支持(嵌套)。
Applications of CIM-NLU Abstract Content Analyzer ML- Dialog IR IE Mobile Service Internet
基本特色 1,以中文为起始对象 2,以“全信息自然语言理解”为基本方法 3,以领域相关为研究基点 4,以超越Semantic Web为基本目标
An Example for “The Base” Recalling The Concept “Tree” Form { Content; Value } The Structure of Information Base for Retrieval {Form | Content; Value}
(一)全信息的表示:全信息资源库建设的框架(一)全信息的表示:全信息资源库建设的框架 以语句为单位 以骨架为对象 树的深度有限 项(概念,词) 语法特征 语义特征 语用特征 #1 #m #1 #n #1 #p 项 … … …
(二)基于全信息理解的搜索引擎 核心技术参考《基本模型》:p.20 (三)应用:特定领域的智能网 (基于理解/认知的信息检索网) CI-Web = CI-base • NLU-SE
Domain Specific CI-Web World-Wide Web = {Syntax} • Match-based SE + Semantics + Semantics Semantic Web = {Ontology} • Semantic SE + Pragmatic + Pragmatic CI-Web = {CI Bases} • NLU-SE