Wissen Hierarchien

"Weil [NLP] erfordert eine solche große Mengen von breit angelegten Wissen, Verstehen natürlicher Sprache hat schon immer eine treibende Kraft für die Forschung in der Wissensrepräsentation." (Luger & Stubblefield, 1998)

Für Sprache Parsing, Verständnis und Übersetzung, muss eine Maschine haben, eine Wissensdatenbank mit Informationen aus dem es die eingehende Sprache verarbeiten kann. Aktuelle Systeme stützen sich bei ihren Storage-Wissen auf dem Weg, dass das menschliche Gehirn operieren (Luger & Stubblefield, 1998). Dieses Wissen wird in Objekt-Hierarchien gespeichert, wobei jedes Objekt mit einem Satz von Eigenschaften und Wert zugeordnet. Wie alle objektorientierten Speicherung, erben Unterklassen Eigenschaften von ihrer Oberklasse. Beispiele für diese Eigenschaften könnte "Farbe ist gelb" und "Größe ist klein" für das Objekt Kanarienvogel. Allerdings wird das Objekt Kanarischen erben die Eigenschaften "kann fliegen" und "legt Eier" aus der Oberklasse Objekt: Vogel. Allerdings kann es auch Ausnahmen geben Klasse. Zum Beispiel ist ein Pinguin eine Instanz der Klasse Vogel, aber es hat eine Ausnahme: es kann nicht fliegen. Dieses Wissen ist in einer Baumstruktur gespeichert werden (siehe Diagramm von Luger & Stubblefield, 1998 ) und während des Prozesses der Sprache analysieren, dieser Baum müssen Bezug zu nehmen. Dies bietet die NLP mit einem Basissatz von "common sense"

Semantische Netze

Der erste Computer Implementierung von semantischen Netzen wurden in den frühen 1960er Jahren für den Einsatz in der maschinellen Übersetzung entwickelt ( Luger & Stubblefield, 1998 )

Ein früher einflussreichen Programm, das viele der Funktionen des frühen semantischen Netzes veranschaulicht wurde von Quillian in den späten 1960er Jahren geschrieben (Quillian, 1967). Er definierte Wörter auf anderen Worten basiert, das manchmal in Zirkeldefinitionen geführt, aber das Programm durchlaufen den Baum, bis er zufrieden Verständnis gewonnen.

Quillian vorgeschlagen, dass eine natürliche Sprache System müsste:

  1. Bestimmen Sie die Bedeutung eines Körpers von Text durch den Aufbau von Sammlungen dieser Kreuzung Knoten
  2. Wählen Sie zwischen mehreren Bedeutungen, indem wir die engsten Bedeutung wie eine Kreuzung auf dem Weg Beziehung
  3. Beantworten Sie eine flexible Palette von Abfragen auf Assoziationen zwischen Wort-Konzepte in den Abfragen und Konzepte im System basiert.