ヨe,x,y Eating(e) ∧  Eater(e,x) ∧ Theme(e,y) ∧ Isa(y,EdibleThing)

當(dāng)遇到像ate a hamburger這樣的短語(yǔ)，語(yǔ)義分析器能夠形成如下的表示：

ヨe,x,y Eating(e) ∧ Eater(e,x) ∧ Theme(e,y) ∧ Isa(y,EdibleThing) ∧ Isa(y,Hamburger)

這個(gè)表示是完全合理的，因?yàn)榧偃缭谥R(shí)庫(kù)中有一個(gè)合理的事實(shí)集，y在范疇Hamburger中的成員屬性與它在范疇Edible'Thing中的成員屬性是一致的。相應(yīng)地，諸如ate a take of的短語(yǔ)的表示將是非良構(gòu)的，因?yàn)樵谝粋€(gè)類(lèi)似事件的范疇，比如Takeoff中的成員屬性與范疇EdibleThing中的成員屬性不一致。

盡管該方法足夠捕捉選擇限制的語(yǔ)義，但直接使用時(shí)仍存在兩個(gè)問(wèn)題。首先，采用FOPC來(lái)進(jìn)行施加選擇限制的簡(jiǎn)單任務(wù)有“牛刀殺雞”之嫌。完全可以采用更簡(jiǎn)單的形式體系，通過(guò)較少的計(jì)算開(kāi)銷(xiāo)來(lái)實(shí)現(xiàn)。第二個(gè)問(wèn)題是，該方法預(yù)先假定存在一個(gè)大規(guī)模的關(guān)于組成選擇限制的概念的事實(shí)邏輯知識(shí)庫(kù)。遺憾的是，盡管這類(lèi)知識(shí)庫(kù)正在建設(shè)，但是還沒(méi)有普遍使用，而且?guī)缀鯖](méi)有達(dá)到任務(wù)所需規(guī)模的知識(shí)庫(kù)。

一個(gè)更實(shí)際的方法，至少對(duì)英語(yǔ)來(lái)說(shuō)，是利用WordNet信息庫(kù)中的上下位關(guān)系。在該方法中，語(yǔ)義角色的選擇限制是用WordNet的同義集而不是邏輯概念來(lái)表述的。如果填充語(yǔ)義角色的詞位是由謂詞給語(yǔ)義角色指定的同義集的上位詞中的一個(gè)，則這個(gè)給定的意義表示可以被判斷為良構(gòu)的。

研究該方法用于下面的ate a hamburger例子的情形。在WordNet的60000個(gè)同義集中，包括下面的一個(gè)注釋為：any substance that can be metabolized by an organism to give energy and build tissue（任何能夠被生物體新陳代謝以供給能量和構(gòu)建組織的物質(zhì)）的同義集：

{food, nutrient }

有了這個(gè)同義集，我們可以將它指定為對(duì)動(dòng)詞ear的THEME角色的選擇限制，也就是將這個(gè)角色的填充者限定為在這個(gè)同義集或其下位詞中。幸運(yùn)的是，圖16.10中hamburger的上位關(guān)系鏈，顯示hamburger確實(shí)是食物。

圖16.10 WordNet中有關(guān)Hamburger可食用的根據(jù)

注意，在該方法中并不需要角色的填充者與限定的同義集之間嚴(yán)格匹配，而是只要填充者把限定同義集作為它的最終上位詞中的一個(gè)，就可以滿(mǎn)足選擇限制。在hamburger的例子中，選擇限定同義集比hamburger高出5個(gè)上位關(guān)系層。

當(dāng)然，這種方法也容許單個(gè)詞位在不同的具體化層次滿(mǎn)足限制。例如，研究將該方法用于我們?cè)缦扔懻撨^(guò)的動(dòng)詞imagine, lift和diagonalize的THEME角色時(shí)的情形。讓我們將imagine的THEME角色限制為同義集{entity,something},lijft的THEME角色限制為同義集{object,physical object}, diagonalize角色限制為{matrix}。這種處理正確地容許 imagine a hamburger和lift a hamburger;而

且也正確地排除了 diagonalize a hamburger。

注意，這個(gè)方法依賴(lài)于在WordNet中出現(xiàn)的詞位恰好能夠指定所有可能的選擇限制所需的準(zhǔn)確概念。遺憾的是，我們并沒(méi)有十足的理由相信在一個(gè)語(yǔ)言中用于選擇限制的概念集恰好能夠被這個(gè)語(yǔ)言中的詞位所包容。在WordNet中通過(guò)使用搭配（比如physical object和snack food）,在一定程度上改善了這種情形。

下面更直接地說(shuō)明這個(gè)問(wèn)題，有許多分類(lèi)體系介于諸如CYC（Lenat and Guha,1991)的常識(shí)知識(shí)庫(kù)和諸如WordNet的詞典庫(kù)之間。這些混合模型中所包含的客體，不一定對(duì)應(yīng)于單個(gè)詞典項(xiàng)，而是對(duì)應(yīng)于與語(yǔ)法和語(yǔ)義相關(guān)的那些概念。在大多數(shù)情況下，這些分類(lèi)體系的上層部分用于表示領(lǐng)域和語(yǔ)言無(wú)關(guān)的概念，比如，物體、狀態(tài)、事件和有生性等。PENMAN Upper Model是這些分類(lèi)體系中最成熟的模型之一。

責(zé)任編輯：admin