分类： 中文处理

白:
“北京大学率先明确入雄安路线图”。“明确”是副词还是动词，需要先明确。

李:
我觉得这不是问题的关键。pos 在抽象层面只规定非常宽泛的框框。关键还是语义之间的相谐。正确的问题不是pos，而是 “明确” 在这里是状语（儿子），还是谓词（老子）。在【明确＋ vp】里面，pos 上它没有什么限制，所谓跨类词。跨类就是两可。 对于跨类 这是一个没啥意义的问题 或者说 这是一个 circular 的问题。

“明确”的最常见的 subcat 带的是 np，但是 在 “明确v” 出现时，这个 v 可能是 vp，因此 “明确”可能做其状语。也可能这个 v 是np内部的修饰语。

（1） 明确规定游泳违规
（2） 明确规定 严明纪律 这两条是整顿金融秩序的关键所在
（3） 我们要明确规定条例

大数据可以帮到 （1）；（2） 是排比的力量 压住了大数据，把潜在的动宾可能激发出来。 但排比因素的形式化实现还需要探究（虽然形式特征在人看来是蛮明显的）。（3） 仍然歧义：“明确（地）规定（相关）条例”，还是　“明确（一下）（有关）规定（方面的）条例”？大数据似乎选择前一个解读，为什么我们仍然感觉得到后一种解读的可能性。设想 如果大数据中 “规定条例” 比例开始高到可以与 “明确规定” 相匹敌的时候，这就是大数据也搞不定的边界之争。

白:
“北京大学率先明确入雄安路线图”这个例句中，“明确”只有一种走得通的词性，就是动词S/N,X。如果是副词，“入”就会过饱和。虽然过饱和也是能处理的，但放着正常饱和的不用却去用过饱和的，终究不妥。因为“入雄安”只剩下一个坑了。副词“S+”不会改变萝卜数和坑数。

李:
“率先明确入雄安的是习大大吗？当年是毛主席率先明确入京的。虽然有人提议仍在南京建都。”　什么叫 入 的过饱和？

看样子 “明确” 的subcat 也有带 vp 的，虽然不如带np的 subcat 用得广。

另。假设 native speaker 的语感与大数据（作为语言共同体语言表现的代表）吻合（实际上当然不会总是吻合）， 那么大数据搞不定的歧义就应该视为真歧义。大数据能搞定的就是伪歧义 尽管这个伪歧义以前被认为是句法真歧义。“以前”指的是没有大数据语义中间间或没有语义或常识消歧手段的句法分析器的那个时期。

【相关】

《李白之零：NLP 骨灰级砖家一席谈，关于伪歧义》

【语义计算：李白对话录系列】

《朝华午拾》总目录

转载本文请联系原作者获取授权，同时请注明本文来自李维科学网博客。
链接地址：http://blog.sciencenet.cn/blog-362400-1055262.html

上一篇：【李白之43：谈谈绑定和回指】
下一篇：【李白宋铿锵行：聪明的一休与睿智的立委】

立委按：白沙龙是个神奇的所在 / 感觉有点像围着火炉吃西瓜 / 有一搭没一搭 /貌似漫不经心 / 不时闪现火花。“学问”也可以是聊出来的吗？

白：“包里揣着自行车座的天津人”，有伪歧义，但可以干掉。人揣不进包里，size不匹配，包装方式也不人道。人成为被自行车座领属的对象，组合也怪异。

李：Vt + N1 + de + N2

subcat pattern ambiguity, similar to the PP-attachment ambiguity in English, 不过这个例子到了细线条的 “sub-subcat” 就排除歧义了，Vt两个子类：

1.  Vt-person --> Vt

2. Vt-non-person --> Vt

“揣着” is Vt-non-person sub-subcat，默认不能带 【human】（“天津人”），只能带【！human】（“自行车座”）。

白：外星人/机器人，说不准。小矮人，似乎也可考虑。罐头小人，更没问题了。还是多管齐下好，东方不亮西方亮，总有一条堵得住。ad hoc的简单不是真简单，系统性的简单才靠谱。

李：subcat 是公认的词典细化知识，subcat 不是 ad hoc，sub-subcat 就不算 ad hoc，同一条延长线上。多管齐下才不简单呢，每一管都是一个窗口，知识非常容易发散。一般来说，开放知识难以维护，知识平衡也不好实现和追踪。当然，高手另算，白老师定有秘器。

刘：“懂事是没人疼出来”，这句有点难。

白：趋向补语优先级高于状语，更高于主语。所以“疼-出来”先结合，“没人”后加入。至于两个谓词的坑共用一个萝卜，倒不是事儿。

刘：这里疼出来先结合不通，没人疼有特定含义，应该先结合

白：“没人疼”当一个词倒也简单了。状中固定搭配的优先级已经是顶格了。

“他从来没有不作为过”

那个“过”与“作为”的优先级也是干不过“不作为”固定搭配的优先级。

刘：难就难在这里，怎么知道没人疼就变成一个词了呢

白：不过这个真的不重要。“作为”与“过”的结合也好，“疼”与“出来”的结合也好，都不影响语义。只是说“作为”、“疼”是中心词，代表结构跟外面发生关系。中心词可以在结合之后被否定。

当然紧耦合、强搭配的，顺序反过来也一样。语言学界不是讨论过“A的媳妇是B的妈”的问题吗？这个句子的中心词主干是“媳妇是妈”。但这个主干不具有保语义性。就是说，枝叉的添加，会改变“媳妇”和“妈”两个带坑名词的共指性。

看这两个图，谁先结合要紧吗？

李：“从来没有不X过” ，可以看作是 X 的形态（变体）

白：某种aspect

李：词典规则大概就是：

从来没有不X过 --》X（VG,perfect,always）

perfect+always (same as never1 for backward aspect in contrast to never2 forward, e.g. "never forget class struggle" ) are tense-aspect，VG is its category (V) and phrasal sign (Group, or X one bar).

总之就是用可以枚举的前后缀或小词材料的有限组合，去对 X 做词法句法的加持而已。没有必要再去细分其内部的词法结构。X 哪怕不是 V，也被强制为 VG 了。5gram以内的可以记住的组合，可以一律交给词典标注或词典习得，不必寻找其中的结构规则。

白：看主干，还真是“媳妇是妈”，仔细想想没错，既为人妻又为人母，多个角色而已。但是，两个坑没萝卜，这两个坑“共用”一个萝卜就是“奥卡姆剃刀”的体现了。这发生在句法分析之后。

奥卡姆剃刀，本人对“如无必要，勿增实体”表示过不满意，而且特地给了一个修正版本：“如无必要，勿增实体，勿减标配。”

坑是否共用，取决于“标配”做到什么份儿上。

“从来没有不爱也从来没有放弃过”

白：出情况了：“毕加索”被推定为“挂”的逻辑主语。

为什么不是，需要给个系统性的说法。挂的逻辑主语，和墙的关系比和画的关系要深？查了一下，这个推定关系在诸多关联边中，优先级是最低的。等于是规定动作做完了，开始做自选动作时搞出来的。我们的系统是看到“挂”的逻辑主语是Human，而且空缺，“毕加索”的本体标签也是Human，于是启动了把填坑的正式名额置换出来的机制。

看来通过“的”引入的萝卜和通过介词引入的萝卜要区别对待：介词宾语与谓词关联紧密，可以更加无障碍地用于填补谓词的未饱和坑；“的”的领项，用于填补“的”的属项相对优先，用于向的字结构外部填坑则应受到某种限制。

“他的小提琴拉得很好”当中的“他”，是修饰语的已填坑萝卜，但却可以穿透到“拉”，这是优点。这个优点和前面的缺点，怎么样兴利除弊，需要进一步完善。

李：“我的小提琴他拉得很好。”

？“他的小提琴被拉得不成样子”

“他的小提琴被砸得不成样子。”

“他的小提琴砸得不成样子。”

谁“砸”小提琴，不大可能是“他”。

白：

“被”阻断了“他”的填坑可能性。“被”自己升格，根本不关心向前文可能的回指。这个逻辑在我们的系统里简单粗暴，但是大体上有效。如果“被”标作介词的标配形式S+/N，就免不了要面对这一麻烦。当然，有的坑我们规定了单向填入，纵使变成了残坑，也依然受到约束。

这个还不行。修饰语的已填坑萝卜和被修饰语的未饱和坑结合时，看来还是需要修饰语和被修饰语的某种一致性。怎么划定边界是个问题。

从统计上看，“拉小提琴”是强搭配，“砸小提琴”是弱搭配，难道这个线索works？强搭配可穿透，弱搭配不可穿透？

“他的文章写得非常感人。”“他的文章改得面目全非。”

“写文章”是强搭配，“他”可以穿透到“写”；“改文章”是弱搭配，“他”穿透到“改”就遭遇主体的“弥散”，至少有歧义了。

总结：1、修饰语和被修饰语类型匹配时，已填坑萝卜对未饱和坑有穿透性；2、修饰语和被修饰语类型不匹配时，如果已填坑萝卜和未饱和坑之间有强搭配，那么可穿透；3、修饰语和被修饰语类型不匹配时，如果已填坑萝卜和未饱和坑之间只有弱搭配，那么不可穿透。

“他的小提琴砸得不成样子”，在弱搭配下，“小提琴”成为与谓词松耦合的物体，“他”成为“小提琴”的单纯领属角色。补语“不成样子”的语义指向也锁定“小提琴”。设想，“砸小提琴”如果成为一种职业或习惯性破坏行为，就构成了紧耦合，“他”就会兼作“砸”的逻辑主语，补语“不成样子”也会指向谓词“砸”，谓之砸得不够专业。幸亏现实世界没有这么个职业。

所以有没有歧义，全在于系统有没有把“砸-小提琴”列入强搭配名单，或者说大数据有没有把“砸-小提琴”训练成强搭配。砸，被砸之物是有后果的。拉（演奏义），被拉之物不必然有后果。所以“拉得不成样子”没有歧义，语义指向一定是动词“拉”。

【相关】

【语义计算：李白对话录系列】

【置顶：立委NLP博文一览】

《朝华午拾》总目录

白：“同桌偷了张三一块橡皮给我。”“张三偷了同桌一块橡皮给我。”

谁是谁同桌？

“同桌偷了张三一块橡皮给李四。”这个能说不？如果能，谁是谁同桌？

“张三逼同桌骂了李四一通”，张三的同桌无疑。“张三逼同桌骂了我一通”，含糊了，我的同桌也是可能的。说话人一直是“在场的（present）”，所以先行的语境里有这么一号角色在。“张三逼李四骂了同桌一通”，似乎又是李四的同桌了。先行与否、就近与否、旁路与否、一直在场与否，都对填这个坑的候选萝卜有影响。刚才列举的选择不同也说明了：兼语式的主支（含兼语动词的那一支）不是旁路，和介词短语不同。

“同桌当着张三的面骂了李四一通。”

好像，既不是张三的同桌，也不是李四的同桌。

李：解析器觉得是李四的同桌，大概是因为张三沉底了：

（解析忘了把 hidden link 加上，谁当着张三的面？“当-面”的逻辑主语是“同桌”。这个bug容易fix，结构很清晰。）

所谓伴随情况状语（attendantR），是附带性的谓词，与主句谓语不在一个层次。从句法层次角度，“同桌”更应该是“李四”的，虽然物理距离更远。当然，人的理解机制有点一团浆糊的味道，其实没必要把人的理解神圣化。在诸多因素参与角力的时候，人的认知理解和判断其实不是确定的，因人而异，因背景而已，甚至同一个人也会因时而异。

在物理距离与句法层次的较量中，不同的人有不同关联和解读，是正常的。这个加分减分的较量，即便有一个机制去计算，也没有一个确定性的目标去最终评判。最多是企望有个理解的容忍范围。何况，对于 heterogeneous evidence，整出一个合适的加分减分的算法，一直以来就是挑战。把不同层面的因素，整到（投射到）同一个平面折合成统一的度量，然后根据这些因素之间的冗余性，打合适的折扣，最终能做出一个最优结果，同时又能讲出道理来，听上去就让人头皮发麻。

寄希望于深度神经，哪怕“讲出道理来”这一条暂时达不到也行。

白：“同桌”挖了一个坑，这个坑回指（先行词填坑）时是清晰的，预指（后继词填坑）时是模糊的，一般都是说话人（“我”）填坑。如果硬要别人填坑，除非语境有所交代，否则默认说话人填坑好了。回指的规则就是所谓“最近提及+类型相谐”。

“李四骂了同桌一通”，同桌是李四的同桌。“同桌骂了李四一通”，谁的同桌就不好说了。但说话人的同桌是标配。

李：

白：旁路上的先行词，待遇差点儿：“张三当着李四的面骂了同桌一通。”好像还是张三的同桌。

李：如果所模拟的人的理解过程就是浆糊，再牛的算法，加上再大的数据，也没辙。也许，有些牛角尖不值得钻。如果是语言理解多项选择问答题，大概是这样：

问：“同桌当着张三的面骂了李四一通”这句中，谁是谁同桌？

答：

1. 张三的同桌 (A)
2. 李四的同桌 (B)
3. 未知人的同桌（不是张三也不是李四的同桌：!A & !B）
4. 既是张三的同桌，也是李四的同桌 (A&B)
5. 不是张三的同桌，就是李四的同桌 （A XOR B）
6. 任何人的同桌 （一团浆糊，语言未指明，A|B|..., 但不care）

【Parsing 标签】

1 词类：V = Verb; N = Noun; A = Adjective; RB = Adverb;
DT = Determiner; UH = Interjection; punc = punctuation;

2 短语：VP = Verb Phrase; AP = Adjective Phrase; NP = Noun Phrase;
VG = Verb Group; NG = Noun Group; NE = Named Entity; DE = Data Entity;
Pred = Predicate; CL = Clause;

3 句法：H = Head; O = Object; S = Subject;M = Modifier; R = Adverbial;
(veryR = Intensifier-adverbial；possM = possessive-modifier);
NX = Next; CN = Conjoin;
sCL = Subject Clause；oCL = Object Clause; mCL = Modifier/Relative Clause;
Z = Functional; X = Optional Function

【相关】

《一日一析系列》

【语义计算：李白对话录系列】

【置顶：立委NLP博文一览】

《朝华午拾》总目录

parse parse，用 PSG：“你家的地得扫了”

再 parse parse，用 DG：“打倒罪有应得的地主”

李：都是中规中矩的句子，没有难点。

白：分好词再玩这个游戏就看不出热闹了。要看就看怎么分词，分错了怎么找补回来。的地得，都有其他词性标注。在哪里、依据什么原则排除的。

李：不是特地分好词，词典分词的本来面目就是如此啊。不查词典，如何解析呢。到了的地得这种极高频小词，主要靠的也不是词性标注了，就是直接量。用法各个不同，量体裁衣。

李：“一句话用的地得太简单了，毫无挑战”。热闹来了，还真是挑战呢：

“的地得”三元组进词典，当然可以。刚才拼音输入 dedide，还真就出来了“的地得”，可见这个三元组入词典也算是理所当然的。咱们词典不够大而已。

“那就不好玩了”。可如果坚持不走词典化道路，还有啥好招吗？

“做大事不必考虑一城一地的得与失”。

这里的难点不在的地得，是条件紧缩句（NX）费点琢磨: if 做大事 then 不必考虑一城一地的得与失

(if) (you) VP1 (NX:then) (you) VP2

零形式，条件太不清晰。嗯，有点难，有点难。

@王伟DL: 三兄弟若是独立为词的话，可靠句法来分拨；三兄弟若是其中几个掛了某个强力词的一角的话，不太好办，保不准有把高强度词扯开的情况。

白：
白硕SH3月3日 22:12 独立成词的“地”和“得”都不好伺候。

【相关】

《一日一析系列》

【语义计算：李白对话录系列】

【置顶：立委NLP博文一览】

《朝华午拾》总目录

李：
老话题，中文句式 “NP1 NP2 Vt ...”中，谁（逻辑）主语，谁宾语呢？

“这帮饿鬼一席好菜吃得盆干碗净”
“一席好菜这帮饿鬼吃得盆干碗净”

白：
两个左填坑，多清晰。非要在大小主语和逻辑主宾语的标签之间纠缠干啥？

深究的话，两个左填坑是填向同一个动词的，还是一个填向核心动词另一个填向残坑的，这才是需要区别的。但就算是填残坑的，也不必然是大小主语这种很局限的概念所能容纳的。

“小提琴他梁祝拉得最好。”

这是大小宾语夹着逻辑主语。小提琴和梁祝，都跟谓语动词相谐，可坑只有一个。所以另一个只能降格。

“胡子他从来不刮鬓角。”
“胡子他鬓角从来不刮。”

“鱼他从来不吃头。”
“鱼他头从来不吃。”

这是填残坑。如果允许任意私拉飞线，发现属性或部件关系不是问题。但若仅限“邻对”才能建立二元关系，技术上就有的扯了。私拉飞线的代价就是复杂性上升到平方级。

“部队的战友他只跟张三来往。”
“部队的战友他只有张三还有来往。”

“一起去旅游的朋友他只知道张三的下落。”
“一起去旅游的朋友他只有张三知道下落。”

李：
决定私拉还是决定相邻 没有来自UG的理据 主要是语言本身的特点。

白：
语言本身的特点应该词汇自带

李：
短语结构必须相邻 是一种偶然的约定。赶巧从英语出发，发现有所便利。不过，短语结构的分析路线客观上杜绝了交叉的可能性。这里面貌似有一些逻辑上防止思维紊乱的好处在。也就是说，短语结构的左右边界的约束使得交叉二元关系成为不可能。这符合绝大多数的语言事实。但缺点是，例外在这个框架里面很难容纳。

在 abcd 中，如果a与c发生关系 b和d就不可能发生关系，这是犯了“交叉禁忌”。从短语结构来看 这是必然排除的：（abc) d 或 a(bcd)。

有括号大墙挡着 交叉不被允许：*（a[bc)d]

其实我想说的是，交叉禁忌作为逻辑追求清晰的天性，也许的确具有超出语言本身的普世理据，但是，利用短语结构的形式约束来实现或贯彻这个理据。第一是太死板，没有给例外留下容纳的余地。第二，感觉上短语结构这种等价于打括号的做法，也不是实现这种约束最精简的机制。

交叉禁忌与最大跨度类似 都是原则，都有人类的思维逻辑里面某种共同的要求，都在语言事实上有统计意义的反映，但都不是铁律。

白：
这个括号类比有一个bug，主导词（坑）和跟随词（萝卜）以及修饰词（萝卜皮）的区别没有了，只剩下左右。这大错。一个词既可以释放坑，又可以同时释放萝卜的特性没有了。关联不一定是边界。关联会引起辖域变化，但不一定是自家辖域。a和b关联，引起c辖域的变化。因为c是head，管着b，但b的辖域就那样了。不会因为新增关联而扩张。

李：
那是一个比喻。短语结构两个要素：一个是左右边界，即括号。还有一个是头词的确立。等价于依存中的父节点代表。

白：
所以一个位置，可能会出现既填坑又被填坑、既修饰又被修饰的复杂情况，岂是一个只能在左右之间选一的括号所能代表。比如，“小张把眼睛哭肿了”的“肿”。它的辖域归顺了“哭”以后就不再扩张，但它的残坑一直蠢蠢欲动，直到遇见“眼睛”才消停。有点像基金，你有所有权，但你赎回之前没有处置权。是基金经理在处置你的资产。关系是你的，但辖域不是你的。代表辖域处置你的残坑的，是head。这样既避免了飞线的复杂性，又扩展了二元关系的可能范围。正所谓合则两利。同时，卧底是你派的，打赢了地盘归我，这好事哪个head不愿意干啊……

以“王冕死了父亲”为例：“王冕”是“父亲”的卧底，“父亲”在内战中已经归顺“死”，于是在“王冕”的地盘和“死”的地盘交上火了以后，“父亲”就可以通过这一层卧底关系，招安“王冕”到“死”的地盘中来。处置权和所有权分离，辖域主人和二元关系当事人分离，是这一切的关键所在。

更何况，“死”自己已经给不出未饱和坑，只能靠“父亲”这个加盟店带来的残坑凑数了。典型的“羊毛出在猪身上”。谁让猪加盟了呢。所以我说括号的比喻有bug，bug就在把辖域的所有权和二元关系的所有权做了多此一举的捆绑。其实，辖域都是我的了，我管辖范围之内的残坑归我支配有什么大不了的？只要有支配权，这局棋就走得下去，二元关系的所有权只是个名份，给出去有什么要紧？

李：
残坑的说法也可能有问题。所谓修饰语被头词吃掉以后，把自己的坑带给了头词成为残坑。等于是说，本来的短语黑箱子又变透明了。

语言学里面有个 island constraint 说的就是黑箱子性质。被包裹起来的内在元素，从外面是看不见的。到底看得见看不见？感觉上，两边的证据都有。包有包的理由，过继有过继的理由，都不足以涵盖全部事实。

白：
这恰恰是要质疑的。拿黑箱子论证不交叉，感觉是自说自话。这俩如果都不对，就塌了。

李：
例如，“他做了三例心脏手术。”  谁的心脏？

白：
患者的。

李：
这个问题不存在，或者说，这个坑被包住了，不能过继。为什么？因为它在NP最里面。从 x bar 理论来说，第一层是 NG，“心脏”就被吃了。第二层是 NP，“心脏”就被裹进去两个括号，完全看不见了。自然谈不上去找萝卜了。如果硬找，八成是错的。“他” 更可能是大夫。

白：
我的观点是，已经过继了，外面萝卜不相谐或者有歧义，那是另外的问题，不应该跟有没有过继连在一起。跟几个括号不应该有关系，硬不硬找都不是关键。不找是本份，输出是义务。

李：
“患者的心脏”，那不是语言。那是本体。 静态常识。说了白说。

白：
不是抽象患者，是具体患者，可以落地那种，只是没有外部名字，内部是有id的。就是三个id当中分配了一个。

李：
问题是落不了地，也不该落地。因为埋藏太深了。

白：
“他做了三例心脏手术，其中一位患者出现异常反应。” 怎么连起来的？“心脏”给那位异常反应者。

李：
这是硬要去联系，不是语言理解所需要。“患者” 与 “手术” 有直接关系。这是语言理解需要的。“患者” 与 “心脏”的联系，最多是间接的，不是理解所需要的。“心脏”就是限制“手术”，表明手术种类。“心脏”没有落地的必要性。

白：
需要的时候给不出来就是失职啊。但也引入了待定事项。

“他做了三例心脏手术，其中一位植入了人工瓣膜。”

李：
咱们推向极端，把句法进一步推向词法，这个道理就更清楚了。“心脏病”，听到这个合成词，没有人感觉需要了解谁的心脏。要了解的是，谁的病？虽然逻辑上，可以推理出来，谁的病，就是谁的心脏。但是这个填坑 没有语言信息表达 传输和理解的必要性，不增加有效信息。

白：
心脏没限定功能，“的”有限定功能。有个载体是明确的，x而已。

有备无患，萝卜来了就是有效信息，萝卜没来就是潜在信息。萝卜也不一定是落地实体，可以是逻辑算子。所有、全部、某些、某个、特定，都是一种落地方式。

李：
谈心脏病，追问谁的心脏，这不是常人的思维和信息需求。这是一种干扰，干扰了真正需要理解的信息。换句话说，保持不定状态对于有效的语言表达和理解，也许与填坑落地 同样重要。Keep it unspecified as a necessary and natural part of communication, 这就好比大脑。大脑的遗忘与大脑的记忆功能 同样重要。如果一个人一辈子只记忆 不遗忘 想来是非常可怕的。

该填的萝卜没填上与本来就不该填的坑，硬要去填， 这二者需要区别。区别在于某种程度的 孤岛限制。

白：
最多可以说，它的输出不活跃、被动，区别于活动的和主动的，但绝不是没有输出。一旦有萝卜就能填，和有了萝卜也无坑可填，也是需要区别的，或者说更是需要区别的。

分三档我也没意见：一定不用、default不用但可用，default用。但把中间一档去掉我不同意。微结构不打开就不用，打开就可用。

李：
赞成。

词法、“短语法”、句法，、是三个台阶。每一个台阶 都带有某种黑箱子味道。就是那种防止坑变成残坑的趋向。

白：
词法归词法，微结构毕竟可以不打开。但是非词法的部分，特别是自由组合的部分，一定是default可用的。而且从default可用，过渡到default不用但可用，我也不同意取决于残坑的嵌套深度。

很多嵌套是修饰语的叠加，基本上没什么衰减。每次残坑转移衰减一次我赞同。就是换一次干爹衰减一次。

“小提琴他梁祝拉得最好。”
“胡子他从来不刮鬓角。”
“胡子他鬓角从来不刮。”
“鱼他从来不吃头。”
“鱼他头从来都不吃。”

“这个会所我二楼从来不去”

“二号楼”没坑，“二楼”有坑。所以刀郎唱的“八楼”很让人困惑。汽车怎么会停在某建筑物的八楼，还是公交车，原来人家是专名。

与属性/部件相关的语义理解，不是难在语义描述本身上，而是难在穿插变幻的语序上。打开语序的约束（邻对），就要handle满天的飞线；不打开语序的约束，就会漏掉交叉现象。所以我们研究把语序约束开一条小缝，控制住飞线，同时又能捕捉交叉。语义本身的描述是结果，handle语序是过程。看结果，只看得见“正确”与否，看不见“可行”与否。所以，HowNet告诉我们语义长什么样是一回事，通过一个可行的过程把握语序，最后搞成那样子，是另一回事。

李：
说得很好。关键是这条缝怎么开了。

漏掉交叉现象，以前不认为是问题。至少在英语解析中，从来都认为是天经地义的。没人愿意违反交叉禁忌原则。这个问题成为问题，主要还是到了中文以后。中文表达里面，“违反原则”的事儿不少。不得不有个应对。这才有开一条门缝的说法。才有依存关系图优于短语结构句法树的论证，因为前者的表现力更加丰富自由，没有那么多原则和禁忌。

白：
回到辖域代表权和二元关系落地权之间捆绑还是松绑的问题。这是两件事。在不交叉“原则”的背后，有一个观念认为应该捆绑。中国人的语言实践则说明二者可以松绑。松绑无害。

李：
但是，另一方面来看，尽管中文违反原则的事儿并不难寻，但隐隐约约感觉，英语中有效的那些原则，包括反对交叉原则，实际上在中文也有一定的影响力。

白老师经常举一些奇奇怪怪的违反原则的例子。好多例子听起来有一种不同程度的“别扭”。别扭在人类的句法原则和语义原则发生了冲突，给人感觉怪怪的，到底是合法非法，界限模糊了。

白：
那是你在英语世界呆久了。交叉不影响相谐，反而利用相谐。句法说的结构只是辖域之间的包含结构。只是针对这一种形式关系，不应扩大化。辖域代表权和二元关系落地权可以拆离。

李：
语义原则就是从本体来的萝卜填坑的“相谐”性，句法原则就包括结构不允许交叉依存。

多数现象二者没有矛盾。到了发生矛盾的时候，就是那种语言比较边缘的地带了，属于毛毛虫的毛刺部分。但对于解析来说，也还是要应对。而且人虽然感觉别扭，也还是听得懂。

套句马列主义课堂上学到的辩证法，原本是谈经济基础和上层建筑的。语义是决定性的，句法是非决定性的，但是句法对于语义有反作用。反作用的表现就是那些原则虽然可以违反，但是违反了感觉上不自然。

白：
多说几遍就没有反作用了。也许只是一种参数化的容忍度，有个体差异，阈值可调。

李：
哈，多说无数遍就成为成语黑箱子了，自然反作用也趋向于零了。

这里面有一个很长的灰色地带，或者说毛刺地带。有点像鸡肋，食之无味，扔之可惜。遇到社会媒体这种monster，还不得不对付。

白：
看这个：“这个会所我二楼从来不去”。念两遍，自然顺了。分析从宽，生成从严。分析不出来怪人违反原则，不是很健壮。

李：统计上应该有反映的。“这个会所二楼我从来不去”，“我从来不去这个会所二楼”，感觉上，会有多得多的人这么表达。

白：
统计有的扯，到底怎么采集就算平衡了。长尾难道该死。

分析不要管毛毛虫的实际边界，要管“外包络”。生成也不用管毛毛虫的实际边界，要管“内包络”。不踩线更安全。内外包络可以都是平滑的。在两个包络之间，如果有统计信息可以利用，可以走得更远。所以我现在在做理解的场合很少关注什么不能说，除非可以用来作为消岐的线索。

李：
内包络外包络的说法很好，不必踩线划线，在灰色地带做无意义没结果的争论。但是，灰色地带比起黑色地带，到底还有个分别。纯粹从语言工程上考量，也还是优先搞定黑色地带，灰色地带可以推后。这是其一。其二，灰色地带的难度相对大，收益相对小，也一般是事实。

白：
关键是方向。分析要从宽，包容性要大。说三遍就通的句子，要当作合法句子处理。可说可不说的，一律按可说处理。

如果一个机制能够罩住一堆长尾，但是同时也能罩住不是长尾的一堆胡说八道，只要统计上那些胡说八道的出现概率足够小，这个机制就是非常诱人的。如果落地的环节还有过滤那些胡说八道的第二道防线，那就更没什么担忧的了。

我们不是先有一个粗线条的机制罩住80%，再用另一个精细化的机制去罩住更多。我们是一开始就罩住很多，但胡说八道也会罩进来。搏的是胡说八道占比很低。所以不存在精细化环节带来的成本收益考量。毕竟难为我们也赚不了什么钱，为此在网上大肆制造胡说八道语料，得不偿失。

“学校我从来不从正门进。

“正门”绝对处于旁岔（介词宾语）。但是，它留下的残坑辗转换了两次干爹，每个干爹又各自扩充了地盘之后，在干爹“进”的带领下最终迎来了相谐的大萝卜——学校。

【相关】

【一日一析：表层句法形式变化，深层逻辑形式不变】

《一日一析系列》

【语义计算：李白对话录系列】

《朝华午拾》总目录

这也是老生常谈了，从上世纪50年代乔姆斯基的表层结构深层结构的转换就开始了。但这的确是自然语言最突出的特性：一个意思有多种（几乎）等价的表达。例如：

（1a）这帮饿鬼把一席好菜吃得盆干碗净
（1b）这帮饿鬼一席好菜吃得盆干碗净

一字之差，中文句法解析完全不同。

介词“把”字的省略，造成了两个名词短语相邻，所以句法解析可能就走不同路径了。这是中文语法学界讨论蛮多的话题句式，第一个NP是话题 Topic，很像一个句子的大主语。第二个NP才是主语，也有语言学家分析说是个“小主语”，它与动词短语结合在一起，作为大主语的大谓语。无论句法上解析为大小主语也好，大小谓语也好，或者话题加单句也好，但是说来归齐，这种省略了“把”的句子与没省略“把”字的句子，说的是一个意思。因此，逻辑语义深度解析还是要统一到同样的逻辑形式（logical form）表达的。这正是我们深度解析（deep parsing）需要做的工作。下图的依存关系图是我们目前中文深度解析器的最终输出结果，就是上述逻辑形式的统一表达。

类似的，“被”字也可能省略。除了把字句和被字句外，其他句法形式还包括重叠式与得字结构。这些都是汉语句法讨论过很多年的语言现象。

（2a）一席好菜被这帮饿鬼吃得盆干碗净
（2b) 一席好菜这帮饿鬼吃得盆干碗净

（3a）这帮饿鬼吃一席好菜；这帮饿鬼吃得盆干碗净
（3b）这帮饿鬼吃一席好菜吃得盆干碗净

【图例】
S: Subject; O:Object; B: Buyu; M: Modifier;
X: Purely functional; Z: Functional

【相关】

《一日一析系列》

【语义计算：李白对话录系列】

《朝华午拾》总目录

李：
“爱冰 恋冰 不见冰”，为群主求下对。

毛：
吃了 喝了 不玩了。

李：
“思过 想过 没有过。”

不错，parsing 中规中矩，可下对就有些乱套了：

为什么乱套？“过” 是名词还是时态助词？

（1） 自左向右 propagate 的话，“思过” 是词典绑架来的，所以“过” 是名词（“过错”），根据著名的 one sense per discourse 的NLP认知的经验法则，那就都是名词了，意思是：

闭门思过，我思啊想啊，狠斗私字一闪念，可我就是没有过错呀。

2. 自右向左 propagate 来实现 one sense per discourse，则是助词：

头脑里面是想过的，但实际上没有过
（想过啥 没有过啥，大家见仁见智，总之是见不得光的事儿）

有思想，无行动。不以思想入罪，就是无罪。

3. 如果贯彻原则无论西东，咱们可以来个简单的 majority vote，助词“过” 两票，名词“过”一票，助词胜。语义计算同2.

白：
@wei 同样的逻辑，我30多年前根张桂平讨论的时候已经在用了：“没有花香，没有树高，我是一棵无人知道的小草。”第一小句，“花香”词典捆绑为名词，捎带激活“没有”的“不存在”义项，整个小句意为“不存在花的香味”。第二小句，“没有”依惯性继续“不存在”义项，激活“树高”的名词义项，但此名词义项是一个实体度量，与“不存在”义项不相谐，转而激活“比不上”义项，相应地对“树高”进行拆解，得到一个主谓结构，整个小句意为“比不上树那么高”。但由于前两小句有排比对举之嫌疑，于是引导到第一小句翻盘，“没有”的“比不上”义项占了上风，拐带着“花香”的“主谓结构”义项也跟着占了上风，第一小句语义改为“比不上花那么香”。一二小句在这种排比解释下，都缺逻辑主语之坑未填。到了“我是一棵无人知道的小草”则谜底揭晓：与“花”“树”对举的“小草”之代表“我”，才是填前两个小句中逻辑主语坑的不二选择。

用时下流行的话说，“树高“的名词义项是“没有”的“不存在”义项的猪队友。“小草”是两个“没有”的“比不上”义项的“神助攻”。

吕：
@白硕  这个例子牛叉.....

李：

例子牛叉，parsing 就牛不起来了：神助攻，不容易啊。

道理上，“神助攻”的实现可以通过休眠唤醒（【李白100：Parsing 的休眠唤醒机制】）。唤醒的种子和条件差不多已经具备：（i）“花香” 从词典来的微结构是 mn（修饰）sv（主谓）同形，sv被休眠；（ii）“没有树高”的比较级解析已经完美（“树高”的逻辑sv呼之即出）；（iii）平行结构的形式痕迹很清晰（字数相同，动词相同）。

可“我是一棵无人知道的小草”，还是先对付鸡零狗碎的 daily chore，高大上的神功且候着，让“休眠”飞一会儿。

【相关】

【李白100：Parsing 的休眠唤醒机制】

科学网—【立委科普：结构歧义的休眠唤醒演义】

科学网—【立委科普：歧义parsing的休眠唤醒机制再探】

【一日一parsing：休眠唤醒的好例子】

【NLP随笔：词法内部结构休眠，句法可以唤醒】

【李白91：休眠唤醒需要打离婚证】

《一日一析系列》

【语义计算：李白对话录系列】

《朝华午拾》总目录

白老师在他的NLP语义计算群转了一个让人喷饭的神翻译，如此之神（原文的谐音而不是语义保留下来），可以认定是人工的调侃段子，而不是“神经的翻译（NMT）”：神经再深度，还不可能如此之疯，疯得如此机巧。

马老师说，“端到端的（语音输入）翻译有可能性，不过应该是人翻译的”。但那要把两种语言混杂的情况考虑进去，“you cannot” 的英译汉状态 在遇到不可解片段时（beyond 语言模型的某个 thresholds），动态调整到反向的 mei more tai 的汉译英状态。这一直是MT的一个痛点，在同声传译场景更是如此。我们这些中文中喜欢夹杂英语单词的用户，也常常把MT弄晕，错得离谱。但注意到他们有做这方面的努力，如果汉语夹杂特别常见的英文词，如 ok，yes，等，有些系统已经可以对付。

As usual，“parse parse see see"：你将来可能会赚更多的钱，但你没茅台

两个分句是转折（BUT: contrast）的关系。显然是提醒家有珍藏的老板们如虎总，要好好珍惜茅台啊：票子会跑风，而茅台越久越值。

这仍然是一个带转折的复句。其中的看点之一是“越久越值”，就是不久前提到的“成语泛化”（【从博鳌机器同传“一带一路”的翻译笑话说起】）：越A1越A2。可见，成语泛化就是在固定语素字符串的成语用法里面有合适的变量来应对成语的活用，因此成语不再是单纯的词典和记忆问题，而是参杂了泛化的成分。以前提过，成语泛化在中文并不鲜见，其典型案例是：“1234应犹在，只是56改”：

由于汉语的音节特性和汉字语素与音节一一对应的特性，成语泛化的一个根本约束是字数（或音节数），甚过对变量词类或子类的约束，否则读起来就不像个成语。受众如果不能联想到一个特定的成语，说者也就失去了“活用”的妙趣和幽默。下面是 1234（四个音节） 和 56（两个音节） 这两个变量的自然活用案例：

可怜玉砌应犹在,只是天地改
昔日桃花应犹在，只是人面改

再举一些成语活用的解析案例：

(1) 无巧不成书 --> 无x不成y: 广州人无鸡不成宴吖

(2) 不V不知道 / 一V吓一跳: 真是不买不知道，1买吓一跳       

(3) n [animal] m [animal] 之力: 五虎六狮之力   

(5) 不费 vn 之力: 不费眨眼之力

成语泛化，是不为也，非不能也！

【Parsing 标签】

1 词类：名 N; 形 A; 动 V; 副 RB; 介词 P; 冠词 DT; 叹词 UH; 标点 Punc;

2 短语：名词短语 NP; 动词短语 VP; 形容词短语 AP; 介词短语 PP;
名词组 NG; 动词组 VG; 实体专名 NE; 数据实体 DE;
谓语 Pred; 分句 CL;

3 句法：头词 H;主 S; 宾 O; 定 M; 状 R; 补 B;
接续 NX; 并列 CN; 转折 BUT;
主语从句 sCL；宾语从句 oCL; 定语从句 mCL;
条件状语 ifR; 程度状语 veryR;
功能成分 Z; 其他虚词 X

【相关】

【从博鳌机器同传“一带一路”的翻译笑话说起】

NLP 历史上最大的媒体误导：成语难倒了电脑

【立委随笔：成语从来不是问题】

《一日一析系列》

【语义计算：李白对话录系列】

《朝华午拾》总目录

"对叙军事打击是一次性行为"

对不起，不是对“性行为”或成人话题有偏好，可是这两天老在想这个案例，疑似语言学走火入魔。微信群最近疯传的这个视频，字幕如上，属于 #中文理解太难了# 一类歧义案例，可读出来却不是，那位女播音员低下头，读起来是这样的：“对叙军事打击是一次性...性行为”。

估计是她没有预先看一遍稿子，结果突然看到这三个字，有点不知所措，结巴了。我们 “parse parse see see”：

如果结巴或停顿不用省略号记录的话，就是这样的：

这里面牵涉到的语言学和计算语言学在哪里呢？有什么可琢磨的点？

首先，文句是歧义的（因此可以休眠唤醒：前两天论过，唤醒的时候，把“一次-性”中的后缀“性”剪枝，改嫁给“行为”做定语，只是一个结构微调整，整个NP大局不变，比起VP/NP歧义的cases如“烤红薯”的休眠唤醒要简单一些），到了播音的时候，因为增加了一个“性”而变得没有歧义了。

更有意思的是，为什么没有歧义了，听众却仍然可以排除听到的结构，反而还原为另一种结构解读呢？

一种说法是，听众有常识，说“军事打击”是“性行为”，违背常识。这样解释自然不错。

另一种说法是，语音的音调和重音这些文字通常不记载的痕迹表明播音员口误了，慌张了，结巴了，因此我们还原到另一个结构的解读。如果是正常的阅读，除了两个性之间的停顿外，“一次性性行为” 中第一个“性”是轻声，重音在 “（一）次” 上，第二个“性”则是重音，可是播音员的第二个“性”读出来反而含混了。由此可见，两个 x 很可能是一个 x 的重复或结巴，因此人脑 parse 的时候是利用了 reduplication 机制处理了这个重叠，从而把原结构的歧义凸显出来，为另一种解读留下了空间。

在这个话题的延长线上，我们看某贪官被双规后对其权色交易的辩解：“这次性行为是一次性行为”。

改成“第一次”又如何呢？

有问，这“第一次”词典化了，如果是“第102次”看系统还能如此解析吗？

“这次” 、“第一次”和 “一次” 有啥不同？为什么决定了其后三个字的不同解读？parser 里面到底有什么神机妙算在内可以做出这种区分？

先不说模拟人脑的 parser 如何实现的，说一说人脑怎么 parse 的。人脑大概用的是排除法。另一个结构的解读呈现下列形态：这次 x 是一次 x，这是一句没有信息量的语句（this x is an x）。因为有定（the）或无定（a）的量词结构是很虚的东西，所以上句结构从实体概念看就是： x ISA x，逻辑上的同义重复，基本没有信息。有信息的 ISA 句应该有一个逻辑上的区分量 y（百科全书中概念定义的典型句式）：x ISA y x' (x belongs to x'), 譬如："贪官就是违法乱纪的官员"，其中 “违法乱纪” 就是 y.

同理，“一次性” 也是 y（“第一次”也是y）, 人脑于是排除了无信息量的结构解读“一次-性行为”，大家不约而同的采纳了具有信息量的常规 ISA句式的解读 “一次性-行为”，虽然理论上的结构歧义依然存在。至于，如何让电脑实现人类的歧义辨识语言认知这一套，那是另一个章回了，先打住。有没有下回分解也说不定了，看彼时的情绪吧。兴起而码字，兴尽而收笔，这是自媒体的好处不是？

【Parsing 标签】

1 词类：V = Verb; N = Noun; A = Adjective; RB = Adverb;
DT = Determiner; UH = Interjection; punc = punctuation;

2 短语：VP = Verb Phrase; AP = Adjective Phrase; NP = Noun Phrase;
VG = Verb Group; NG = Noun Group; NE = Named Entity; DE = Data Entity;
Pred = Predicate; CL = Clause;

3 句法：H = Head; O = Object; S = Subject;M = Modifier; R = Adverbial;
(veryR = Intensifier-Adverbial); NX = Next; CN = Conjoin;
sCL = Subject Clause；oCL = Object Clause; mCL = Modifier/Relative Clause;
Z = Functional; X = Optional Function

【相关】

《一日一析系列》

【语义计算：李白对话录系列】

《朝华午拾》总目录

老友让 parse 两句让人搞笑的歧义句。前一阵子微信里流传过的。那就试试：

性教育先进，吾党理应当仁不让。还有一句啥来着？

承诺什么？要是承诺性行为，对不起，不允许，因为你有钱。如果换成："少林寺众僧禁止性行为承诺书"，承诺的应该是 “禁止性行为” 哈。俗人的社会，一种是有钱（譬如群主），一种是有权或有势（譬如正遭网民痛殴的语言学家沈阳），这两种人的性行为需要管束，否则权色交易，钱色交易就会猖獗。

“禁止 性行为” vs “禁止性 行为”，如何知道呢？

不知道，咱就选个标配结构，同时留了个后门：【禁止V+性+N行为】 暂时定为定中（定语修饰名词中心语）的结构 NG，做承诺书的修饰语。但里面留了种子，等以后见机翻案，可“休眠唤醒”其作为 VP 的结构语义。一旦翻案，V 变成为 VP 的 head （H），“行为” 自然成为其宾语（O），中间的那个“性”可以修剪，从“禁止”的后缀，改嫁为O的定语。这一套符号逻辑形式上是走得通的，就看实际落地的时候觉得值不值得做了。

中文句法的诡异在于，这种VP（动宾结构的动词短语）和NG（名词词组）同形歧义现象相当普遍。英语也有动词名词的同形歧义现象（study; works; etc)  但是到了短语级别，这种歧义就消失了。中文不然，典型的例子还有：“烤红薯”。到底是【烤...】 (VP) 还是 【...红薯】（NG）？

“我吃烤红薯”，“吃”的是“红薯”。“我想烤红薯”，“想”的是“烤”。

可是，“我喜欢烤红薯”呢？到底是喜欢“烤”，还是喜欢“红薯”，还是二者都喜欢，还是喜欢其中之一？所以，休眠唤醒，也有永远换不醒的，到死也翻不了案。这也没啥，人类听和说，一多半的时候，都是模模糊糊地说，一知半解地听。这实际上是语言交流的常态。也不必苛求机器比人还清晰了。

【Parsing 标签】

1 词类：V = Verb; N = Noun; A = Adjective; RB = Adverb;
DT = Determiner; UH = Interjection; punc = punctuation;

2 短语：VP = Verb Phrase; AP = Adjective Phrase; NP = Noun Phrase;
VG = Verb Group; NG = Noun Group; NE = Named Entity; DE = Data Entity;
Pred = Predicate; CL = Clause;

3 句法：H = Head; O = Object; S = Subject;M = Modifier; R = Adverbial;
(veryR = Intensifier-Adverbial); NX = Next; CN = Conjoin;
sCL = Subject Clause；oCL = Object Clause; mCL = Modifier/Relative Clause;
Z = Functional; X = Optional Function

【相关】

《一日一析系列》

【语义计算：李白对话录系列】

《朝华午拾》总目录

李：
"你们多少钱一条毛毯"

“你们”是主语，or 话题？即便说是“话题”，逻辑语义算个啥？（“毛毯”的【所有（者）】？）：

“蓝色的你没有货吗？”

类似的，“蓝色的” 逻辑语义是“货”的【所有】吗？

但上句与下句还不同：

“你没有蓝色的货吗"

后者是全称否定：在你所有的货品中，你缺少蓝色的（子集）。前者是：在这种（你知我知）货品中，你缺少蓝色的款式。

看样子，句首的所谓话题，对于结构语义解析中的 scope 解读，有说法。话题呢，就是先画个圈圈，后面的 argument structure 里面的 args 跳不出这个圈圈。

回到“"你们多少钱一条毛毯”，也有说是省略了谓词：

“你们多少钱一条毛毯卖的？"
“你们多少钱一条毛毯买的？”

前者是 卖家，“毛毯” 的曾经所有者。后者是 买家，“毛毯”的新所有者。默认是卖家，因为这个应该是交易之前的询问。

白：
表“运载”类的动词，介于“给予”类和“取得”类之间：“你们多少钱一斤搬的？”当中，“你们”既可以是出钱的，也可以是干活的。所以，概括来说话题就是“后面一坨当中的未饱和坑”。如果未饱和坑多于一个，其中满足相谐性条件的也多于一个，满足对某些小类的动词可以有倾向性标配，对另外一些小类的动词无倾向性标配。不光领属可以，领属的领属也可以：“王冕昨天父亲腰扭伤了”，“我昨天拉了三趟煤。” 可能我是运输工人、运输老板或者运输客户。或者我自力更生自运自用。

所以，话题是一个纯形式的角色，它对应的逻辑角色是不确定的，完全取决于后面一坨空出来的坑的逻辑属性。如果空出来的坑也是不确定的，那就必然产生歧义。

【Parsing 标签】

1 词类：V = Verb; N = Noun; A = Adjective; RB = Adverb;
DT = Determiner; UH = Interjection; punc = punctuation;

2 短语：VP = Verb Phrase; AP = Adjective Phrase; NP = Noun Phrase;
VG = Verb Group; NG = Noun Group; NE = Named Entity; DE = Data Entity;
Pred = Predicate; CL = Clause;

3 句法：H = Head; O = Object; S = Subject;M = Modifier; R = Adverbial;
(veryR = Intensifier-Adverbial); NX = Next; CN = Conjoin;
sCL = Subject Clause；oCL = Object Clause; mCL = Modifier/Relative Clause;
Z = Functional; X = Optional Function

【相关】

《一日一析系列》

【语义计算：李白对话录系列】

《朝华午拾》总目录

白：
“中国证监会编造、传播虚假信息行政处罚案例综述”

李：

解析起来有几个 catches：

1. “案例” 和 “综述” 以及二者的组合“案例综述”，都是那个“另类”名词，它们不是前面的动词的宾语，而是要求一个动词性的前修饰语，逻辑语义是【内容】或【同位】。上面的 parse 不幸中了套。

2. “编造”/“传播” 与 “信息” 的动宾搭配：成为 VP

3. 所谓【修饰语的组合爆炸挑战】：这是一个很长的标题类NP，麻烦的是里面还有两个动词性的结构（“编造、传播......“，”行政处罚"）。

4. 两个动词结构的关系：VP（负面）【原因状语 ？】+ “行政处罚”

白：
“行政处罚”和与之固定搭配的行政处罚主体，有统计显著性。

李：
5. 居首的”中国证监会“到底是整个 NP 的修饰语，还是 VP 的主语？换句话说，这个动词性结构在做修饰语之前，左边界是不清的，到底是 VP 还是 CL（子句）做修饰语？

白：
这个跟“这本书出版日期”一样。

李：
最大的问题是： VP（负面）+ “行政处罚”，这种个性关系的总结，实现起来感觉心里不踏实。

白：
但是：NP（有权主体）+VP（负面）+“行政处罚”又不相同。

李：
如果再考虑前面的 NP，那就更稀疏了。

即便一切都处理妥当，预备各就各位了，这种案例的诡异在于头重脚轻：“VP+行政处罚” 这个头 应该是 “案例综述” 这个脚的同位修饰语。头重脚轻在汉语的修饰语通常都是用“的”来平衡的，不用“的”修饰语又超长就很游离来（outlier），模型起来极易弄巧成拙。

得，动宾搭配又跑了。弄巧成拙和按下葫芦起了瓢这种事儿 主要说的就是这种 outlier 案例的过度迁就（类似于学习系统的overfitting）。

打住，到此为止。要抑制钻牛角的好奇心。

白：
此标题的文章作者已经撤回。被我指出歧义觉得不妥了。

【Parsing 标签】

1 词类：V = Verb; N = Noun; A = Adjective; RB = Adverb;
DT = Determiner; UH = Interjection; punc = punctuation;

2 短语：VP = Verb Phrase; AP = Adjective Phrase; NP = Noun Phrase;
VG = Verb Group; NG = Noun Group; NE = Named Entity; DE = Data Entity;
Pred = Predicate; CL = Clause;

3 句法：H = Head; O = Object; S = Subject;M = Modifier; R = Adverbial;
(veryR = Intensifier-Adverbial); NX = Next; CN = Conjoin;
sCL = Subject Clause；oCL = Object Clause; mCL = Modifier/Relative Clause;
Z = Functional; X = Optional Function

【相关】

《一日一析系列》

【语义计算：李白对话录系列】

《朝华午拾》总目录

【立委按】汇集的《一日一析》，乃是日常遭遇的中文有趣文句，作为中文自动解析（deep parsing）的“压力”测试。兴之所至，对暗含的解构机巧，或点入讲解，或借题发挥。不求完整，但求启迪。谈资之余，或可管中窥豹，集腋成裘也。

【一日一析：“爱情这种事……”】

【一日一parsing：“举报毒品违法 犯罪活动有奖”】

【一日一parsing：修饰语的组合爆炸挑战】

【一日一parsing：parser 貌似发疯了】

【一日一parsing：汉语单音节动词的语义分析很难缠】

【一日一parsing：”钱是没有问题”】

【一日一parsing：从“见面”的subcat谈起】

【一日一parsing：#自然语言理解太难了# 吗？】

【一日一parsing：休眠唤醒的好例子】

【一日一parsing：NLP应用可以对parsing有所包容】

【一日一parsing：degraded text and robust parsing】

【一日一parsing，而山不加增，何苦而不平？】

【一日一parsing：中秋節談月亮和花錢】

【一日一parsing：“爱情这种事......”】

爱情这种事 太极端 要么一生 要么陌生

精辟啊。不过，概率上很不对等，还是擦肩而过形如陌路的居多。一辈子见过多少人，一生的只有一个。

所谓缘分，就是n年修得同船渡，m年修得共枕眠: m > n > 10.

老友说：失恋也不是喝江小白的理由啊

【Parsing 标签】

1 词类：V = Verb; N = Noun; A = Adjective; RB = Adverb;
DT = Determiner; UH = Interjection; punc = punctuation;

2 短语：VP = Verb Phrase; AP = Adjective Phrase; NP = Noun Phrase;
VG = Verb Group; NG = Noun Group; NE = Named Entity; DE = Data Entity;
Pred = Predicate; CL = Clause;

3 句法：H = Head; O = Object; S = Subject;M = Modifier; R = Adverbial;
(veryR = Intensifier-Adverbial); NX = Next; CN = Conjoin;
sCL = Subject Clause；oCL = Object Clause; mCL = Modifier/Relative Clause;
Z = Functional; X = Optional Function

【相关】

《朝华午拾：与白衣天使擦肩而过》

《音乐心情：落雨的时节，失恋者的歌》

《一日一析系列》

【语义计算：李白对话录系列】

《朝华午拾》总目录

什么？

词类：V = Verb; N = Noun; punc = punctuation;
短语：VP = Verb Phrase; AP = Adjective Phrase; NP = Noun Phrase;
Pred = Predicate; CL = Clause;
句法：H = Head; O = Object; M = Modifier; S = Subject; SubjS = Subject Clause

都是“回车”惹的祸：

正常句子没有回车，没有逗号，空格也不会有，那就对了：

谁说标点符号可有可无，对于 parsing 无关紧要？如果是口语就是，谁说停顿语气对于语言理解不重要？

【相关】

【语义计算：李白对话录系列】

《朝华午拾》总目录

中文合成词、术语命名可以很长很长，如果顾及内部的修饰关系的边界，是一种典型的结构歧义的组合爆炸。排列组合算一算，N个修饰语有多少种结构歧义？

怎么整？其实，人对于这种超长短语的理解，也基本上是糊里糊涂听，对于里面潜在的歧义无感居多。那机器去做呢，两个办法，一个是凑合大局，不拘小节，出个 deterministic 的结果。另一个办法就是穷举其中的潜在歧义，也不难，问题是穷举了以后如何是好，还是糊涂。

量子区块链AI韭菜盒子店

NG=Noun Group;  AP = Adjective Phrase; NE = Named Entity;
M/m=Modifier; H = Head; O/o=Object;
N = Noun; A = Adjective; V = Verb;

what is 量子区块链？

马氏体区块链智能韭菜盒子

马氏体？or 体区块链？马氏-style？

AI牌马氏体大数据区块链智能云韭菜盒子

智能云 or 云韭菜盒子？

AI牌马氏体大数据区块链智能云全自动去中心韭菜盒子

AI牌马氏体大数据区块链智能云全自动去中心韭菜盒子声控密钥无人店

这已经超过10个修饰语了：AI牌 / 马氏体 / 大数据 / 区块链 / 智能云 / 全自动 / 去中心 / 韭菜盒子 / 声控 / 密钥 / 无人店

“声控密钥” 感觉是直接修饰 “无人店“ 也许更合理。可现在这种结构也凑合了。好在 XP 内部的纠结，对于句子中 XPs 之间的关系基本没有影响。不过，这种超长NE或NP其实也很少出现在句子里面，通常都是做标题用。

（注：以上例句是尼沙龙人工智能群老友故意拿 buzz words 调侃清华人工智能马教授的一手好菜“生造”出来的。但这些例子反映现代汉语的语言事实，并不离谱。）

【相关】

【语义计算：李白对话录系列】

《朝华午拾》总目录

李：
微信群转来的，想，配个图吧。

做自动解析（parsing）走火入魔，几乎成本能了。凡是人说难度极大，或者盛赞中文奇妙的语录，都忍不住想 parse parse 试试，到底看看离形式化自动化分析距离究竟有多远：稀奇古怪的句子其实不是自动系统的关注点，但它们往往像疲劳测试一样，可以把问题推向极端，考验自动解析的鲁棒度和机械系统应对灵活多变的能力，而且好玩，有fun。

某上海大学生为了显摆，在迎新会上出了一则上联：
上海自来水来自海上。

Note：
CL（clause）= 句；NP（Noun Phrase）= 名词短语；Pred（Predicate）= 谓语；N（Noun）= 名词；V（Verb）= 动词；H（Head）= 头词
S/s（Subject）= 主语；O/o（Object）= 宾语；M/m（Modifier）= 定语；R/r（Adverbial） = 状语

顺念倒念完全一样，难度极大！但其他省的学生也不是吃干饭的，
北京大学生对曰：
香山碧云寺云碧山香。

这个不好整，形容词活用古汉语常见，现代汉语罕见，算是 sublanguage 的问题，同一个系统难以兼顾两种可能冲突的子语言现象。先凑合吧。

山东大学生对曰：
山东落花生花落东山。

山西大学生对曰：
山西悬空寺空悬西山。

安徽大学生对曰：
黄山落叶松叶落山黄。

海南大学生也不示弱，对曰：
海南护卫舰卫护南海。

白：
这倒是像照妖镜一样把每个下联的工整程度晒出来了。

金：
NLP大学生对曰:
语言学老炮老学言语。

李：

“语言学老炮”是有来历的，指的就是白老师。见最近风行的新智元的专访报道：

【老炮儿白硕开讲】区块链可替AI对抗数据寡头

我在朋友圈推送了：看得懂还是不懂 还是雾里看花 似懂非懂 反正我是一字一字看完了。白老师的科普 无条件推送。懂行的看门道 不懂行的可以欣赏文字和说法。

微信还流传着这么一个帖子，一律有惊悚的标题：孔子临终遗言出土，惊动世界，反动之极：

《子寿终录》

子寿寝前弥留少时，唤诸弟子近叩于榻侧。子声微而缓，然神烁。嘱曰：吾穷数载说列侯，终未见礼归乐清。吾身食素也，衣麻也，车陋 也，至尽路洞悉天授之欲而徒弃乃大不智也。　　汝之所学，乃固王位，束苍生，或为君王绣袍之言。无奈王者耳木，赏妙乐如闻杂雀鸣，掷司寇之衔于仲尼，窃以为大辱。其断不可长也。鸿鹄伟志实毁于为奴他人而未知自主。无位则无为，徒损智也，吾识之晚矣。呜呼，鲁国者，乃吾仕途之伤心地也。汝勿复师之辙，王不成，侯为次，再次商贾，授业觅食终温饱耳，不及大盗者爽。吾之所悟，授于尔等，切记：践行者盛，空叙者萎。施一法于国，胜百思于竹。吾料后若有成大器之人君，定遵吾之法以驭民，塑吾体于庙堂以为国之魂灵。然非尊吾身，吾言，乃假仲尼名实其位耳。　　拥兵者人之主也，生灵万物足下蛆；献谋者君之奴也，锦食玉衣仰人息。锋舌焉与利剑比乎？愚哉！旷古鲜见书生为王者，皆因不识干戈，空耗于文章。寥寥行者，或栖武者帐下，或卧奸雄侧室。如此，焉令天下乎？王座立于枯骨，君觞溢流紫液，新朝旧君异乎？凡王者祈万代永续，枉然矣！物之可掠，强人必效之；位之可夺，豪杰必谋之。遂周而复始，得之，失之，复得之，复失之，如市井奇货易主耳。概言之，行而优则王，神也；学而优则仕，奴耳；算而优则商，豪也；痴书不疑者，愚夫也。智者起事皆言为民，故从者众。待业就，诺遁矣。易其巧舌令从者拥主，而民以为然。故定乾坤者必善借民势。民愚国则稳，民慧世则乱。　　武王人皆誉之，纣王人皆谤之。实无异也！俱视土、众为私。私者唯惧失也。凡为君者多无度，随心所欲，迎其好者，侍君如待孺子。明此理，旋君王如于股掌，挟同僚若持羽毛，腾达不日。逆而行之，君，虎也，僚，虎之爪也，汝猝死而不知其由。遇昏聩者，则有隙，断可取而代之。　　治天下者知百姓须瘦之。抑民之欲，民谢王。民欲旺，则王施恩不果也。投食饿夫得仁者誉，轻物媚予侯门其奴亦嗤之。仁非钓饵乎？塞民之利途而由王予之，民永颂君王仁。　　御民者，缚其魂为上，囚其身为不得已，毁其体则下之。授男子以权羁女子，君劳半也。授父以权辖子，君劳半之半也。吾所言忠者，义者，孝者，实乃不违上者也。　　礼者，钳民魂、体之枷也。锁之在君，启之亦在君。古来未闻君束于礼，却见制礼者多被枷之，况于布衣呼？礼虽无形，乃锐器也，胜骁勇万千。　　乐者，君之颂章也。乐清则民思君如甘露，乐浊则渔于惑众者。隘民异音，犯上者则无为。不智君王，只知戟可屠众，未识言能溃堤，其国皆亡之。故鼓舌者，必戳之。　　吾即赴冥府，言无诳，汝循此诫，然坦途矣！切切。
　　言毕，子逝

白:
个人认为，不加连词的复杂谓语结构，在先秦时期似乎是没有的。

李：
这个遗言太现代人了 哈。

白：
“鸿鹄伟志实毁于为奴他人而未知自主。”这哪是先秦的话。

李:
这叫挟圣人以讽世。那行文不是先秦，是我祖父那一辈人常用的文白夹杂的“时文”（见《李老夫子遗墨》）。胡佛塔馆藏的蒋中正日记里也常见。

只好也凑合了。半文半白，难得兼顾，子语言中各别的部分，需要针对性对付。这跟领域化（domain porting）道理同。

王：
临别时，与弟子说一些“吾十有五而志于学...”之类的话似乎更靠谱。人家正在延揽学究攻此项目，大家静下心来，观棋不语真君子！

李:
孔老夫子长寿的秘诀是什么？他那个年代 73岁是寿星了，才能从“耳顺”，到“从心所欲”。那个年代，夭折不计的话，平均寿命也不足40吧。最近一个世纪，人的寿命才显著增长，而且貌似没有停下来的意思。所以才有谷歌忽悠跳大神的勾当，一本正经研究长生不老。所以才有脸书的娃娃扎哥放豪言，要以他的财力资助现代医学，“根治”一切不治之症。特斯拉钢铁侠于是正式立项，推进移民火星计划。地球装不下啊。

有时候想，当年大跃进，毛主席放豪言要20年赶英30年超美，亩产万斤，这种热昏的胡话也有人信，终于三年饥荒，饿死几千万收场。但如果比起谷歌脸书特斯拉大佬们的豪言，热昏度上看，那是小巫见大巫啊。

Lin:
你说的是“说话者的热昏度”，还是“狂热群众听者的热昏度”？

李:
good point，好在西方大佬们把牛吹上天，没有太多恶性后果，反正花的是投资人和股民的银子，愿者上钩：人有多大胆，股有多大产。股民喜欢这些。假作真时真亦假，先帝再世也只能自叹弗如了。

扯远了，回到语言学 parsing 来。那句仿古文句的白话文译文是：

我的伟大理想没有实现是因为我只知道给他人做奴才

姜:
@wei 用您的这套“照妖镜”工具体系能分析出此文是否是孔子的遗言么？

李:
这事儿估计不如机器学习的分类系统。真伪问题更多是用词而不是结构。统计性 ngram 蛛丝马迹，比宏观结构的异同更重要。文本分类是 parsing 的短项，关键词学习系统的长项，不是合适的场地（见《规则系统的软肋在文章分类》）。看一个林子的颜色，不需要对每棵树每片叶子做精细的分析。

【相关】

《李老夫子遗墨》

孔子临终遗言出土，惊动世界，反动之极

【老炮儿白硕开讲】区块链可替AI对抗数据寡头

《规则系统的软肋在文章分类》

【语义计算：李白对话录系列】

《朝华午拾》总目录

白:
“《舌尖3》被骂看了吃不下饭，不如来吃炭烧牛蛙吧”
看见了“如来”。

李:
不是问题 trigram 搞定的事儿 : 不如/来。

难的是，

如来请打的 不来也没问题。
要不如来 要不活佛 总之是神就行。

其实，“如来请打的”（if coming please call a taxi）并不能完全排除“如来（佛）”义，虽然语用层面可能性几为0：菩萨请打的 不来也没问题。

白:
“墙内开花墙外香，我转基因抗虫水稻获得美食用许可”

李:

此处不破别处破，唉。“食用”的是“许可” 哈。“许可”、“计划” 等以前论过，是另类，修正一下。

白:
“李书福买奔驰了”

李：

李:

这个 VG 与 这个谓语算是啥关系？形式上似乎是主谓，又好像是说因果关系：

if 看了then 吃不下饭

这类东西中文巨多，算是中文区别于欧洲语言的一个特点。突然想到试试有道翻译，结果：

哈 它不跳坑，搞不清就无视，反正给你一个顺溜的句子出来。这就是神经MT：（1）化有为无：“看了”；（2）无中生有：“我”（此处的无中生有倒是赶巧对路了）。这还不算神经最大胆的地方。更糟糕的是指鹿为马，也见过不少，以前举过一些例子。

白：
“哈佛机器人研究全景图：超越想象，完爆科幻”
机器人-研究-全景图，完美SVO
A panoramic view of harvard robotics
翻得很不错

他为什么可以不管SVO的顺序，直奔主题呢？因为离他最近的那些样本就是这么做的，没有给通用规则的坑留下施展干扰的半点机会。反过来说，基于规则/符号的方法，理应给出例句距离测度的更好估值才对。做不到是不尽职。

所有例句均取自机器人处于研究阶段且机器人尚不具备独立研究能力时期的信息来源，所以科幻场面基本不在考虑之列。包括“机器人专家”究竟是机器人领域的人类专家还是机器人本身就是专家，也是同样问题。

李:
“全景图” 也是那个“另类” 与 “计划” 一样：

机器人-研究-计划

当然，假以场景，任何例外都可以存在：

机器人研究计划后决定马上改变原计划，立刻向人类发起攻击。

白:
After the robot research project decided to change the original plan immediately, immediately launched an attack on the human.
这里果然中招

李:
可以预示的，如果不这样才奇怪了。与“研究计划”类似的，是食品和菜名：“烤土豆”。后者更有意思，VO 关系不变，但一个是【 VO】，一个是 【（被）V 的 O】。

关于符号系统和符号推理，貌似亦步亦趋直接模拟人的思维过程。感觉不仅缺乏弹性，常常也很拙。以前说过，“符号主义基本是人类自己跟自己玩。符号系统很多时候就是个自娱自乐的游戏”。不止一次遇到过这样的情形：符号命名不好，系统受到批评或遇到疑虑，后来把符号重新命名了，原来的批评者就接受了。所以说，很多时候就是一个助忆符的选择问题。复杂的符号系统特别讲究命名，虽然命名没有任何理论价值。有一个符合人类思维习惯的命名方法，复杂的符号系统才可能建成，并持续被维护。这跟复杂的程序必须用高级语言去写，没人可以维护一个复杂的汇编语言程序的道理相同，虽然理论上高级语言并没有汇编语言不能实现的能力。

关于“休眠唤醒”（【立委科普：结构歧义的休眠唤醒演义】），想到几点：

1. 唤醒就是 patching，补漏，机制上就是对结构就如nodes一样，可以局部重新来过，更新：老的关系可以切断，新的关系可以建立，因为条件不同了。

2 需要建立两套feature系统，一套明，一套暗：明的系统按部就班，可以是 deterministic，但可以随时更新；暗的那套深藏不露，平时就当没有。唤醒的时刻 就是变暗为明的时机。

【相关】

【立委科普：结构歧义的休眠唤醒演义】

【语义计算：李白对话录系列】

《朝华午拾》总目录