月度归档： 2017 年 9 月

白:

根据什么知道“他人”不是三个动词共享的逻辑宾语？----相谐性！

李:
【human】vs【physical-object】？丢失【physical-object】vs 丢失【human】？
丢失“孩子”呢？假如是直接量相谐的统计对比，“丢失-设备”与“丢失-他人”，前者完胜。
如果是上升到类别上去做对比，丢失-【physical】与丢失【human】就有可能会势均力敌，假如 “丢失-孩子” 的说法在语料里面特别高频的话。

直接量对比最好，可是总有数据稀疏不足为据的担心。类别对比克服了稀疏数据，也可能走偏。“申领”类似，似乎也可能申领【human】？ “ 损坏”好像比较单纯，很难“损坏人类”（人类够皮实的？）。到了“转借”问题复杂了，是个双宾词，大数据里面，跟 【human】与跟【physical】的都很多。当然，现场已经让【human】（“他人”）占了坑，只剩下【physical】的可能，如果要把这一套符号逻辑加入大数据相谐的统计里面去，貌似也不是很好整，虽然琢磨起来总是头头是道的。

白:
三个动词共享的话，备选坑的subcat取最小公共上位。
损坏的坑不是human，甚至不是animate，看来只能是physical
大家都从它。

李:
最小公共上位，实现起来又多了一层，而且预设了 并列结构的正确识别。看看这个问题的完满解决牵涉了多少不同层面的预设：

（1）预设并列结构识别
（2）预设最小公共上位
（3）预设排除已经占据的坑的类别

这里面的每个预设，说起来都很合理，但揉进一个算法里面就感觉有相当挑战。这只是就这一个案例的应对思路所做的抽象。遇到其他案例，也会出现其他听上去合理的应对。然后把这些合理应对整合起来成为一套相谐性checking的算法，感觉上不是一点点的挑战。

白:
显然这时候就看出来中间件分离的好处。相谐性检查也好，求最小公共上位也好，都是matcher向中间件请求，中间件回应matcher的关系，中间件并不介入matcher自身的逻辑，不介入待分析文本的结构性判断。

梁:
两个词的相谐性，可以计算出来么？或统计出来吗？

白:
能

李:
处得久了 粘在一起 chemistry 就确定了。大数据可以。就是如何实施的 know how 了。

白:
“避免了一个十亿人口数量级的核大国彻底倒向美国和日本成为死敌”
和谁成为死敌？谁和谁成为死敌？

1、十亿人口的核大国和日本
2、美国和日本
3、十亿人口的核大国和缺省主语
4、十亿人口的核大国和美国

李:
我昨天下午也搞定了一个痛点: 就是 “学习材料” 类。完满解决这个问题 其实有几个坎儿。凑合事儿也可以，但总觉得对于这么普遍的现象，还是形成一个一致的比较完美的解决才好，类比以前对于离合词“洗澡”的解决方案那样。

说个有趣的汉语缩略现象：

南美北美 --> 南北美
上位下位 --》 上下位
进口出口 --》进出口
AxBx --> ABx

some more examples: 红白喜事，冷热风，高低端，东南向，南北向，软硬件，中青年，中老年，黑白道，大小布什 ......

这些个玩意儿说是一个开放集（合成词）吧，也没有那么地开放；说封闭吧，词典也很难全部枚举。它对切词和parsing都构成一些挑战。这是词素省略构成合成词的汉语语言现象，还原以后是 conjoin 的关系 （Ax conj Bx），至于 ABx --> AxBx 的逻辑语义，还真说不定，因词而异，可以是：（1） and：南北美 --> 南美 and 北美；大小布什 -->大布什 and 小布什；（2）or：冷热风 --> 冷风 or 热风；正负能量 --> 正能量 or 负能量；（3）range：中青年 --> from 中年 to 青年，中老年 --> from 中年 to 老年；（4）and/or: 进出口 --> 进口 and/or 出口；（5）一锅粥（and/or/ranging）: 高低端 --> 高端 and/or 低端 or from 高端 to 低端。

白:
小微银行；三五度

李:
逻辑语义解析先放一边（很可能说话的人自己就一笔糊涂账，不要勉强听话人或机器去解析 and、or 还是 ranging），就说切词和parsing的挑战怎么应对就好。冷热风 在传统切词中是个拉锯战：【冷热】风 vs 冷【热风】；“南北美”：【南北】美 vs 南【北美】。

看官说了，还是 南【北美】 似乎对路。可那个撂单的“南”怎么整呢？

白:
词不都是切出来的，也可以是捏出来的

李:
【国骂】，切词切词，只让我切，不让我补，这不是憋死我吗？不具体说雕虫小技了，要达到的目标是：Input：南北美；output：【南美 conj 北美】。

问，难道切词或 parser 还能补语言材料？当然能。不能的话，bank 怎么成的 bank1 （as in bank of a river）和 bank2（as in a com李rcial bank）？举个更明显所谓 coreference 的例子：John Smith gave a talk yesterday. Prof Smith （== John Smith）, or John （== John Smith）as most people call him, is an old linguist with new tricks.

白:
高低杠、南北朝、推拉门、父母官……

李:
This last example below demonstrates the need for recovering the missing language material:

A: Recently the interest rate remains low.
B: How low is the rate (== interest rate)?  // 不补的话，就不是利率了，而是速率。

所以 parsing 中适当补充语言材料，重构人类偷懒省去的成分，也是题中应有之义，虽然迄今绝大多数系统都不做，也不会做，或没有机制或相应的数据结构做。

白:
不该补的也要那个。反方向的还不普遍？比如“海内外”

李:
听上去好像我的系统做了似的。必须说句老实话，目前还没做。虽然没做，这些个东西老在心里绕。绕老绕去问题清晰了，candidate 策略s 也有了，就是等一个时间点，去 implement。做实用系统有一个毛病，千头万绪，大多是跟林彪似的，急用先做。不急用的，甭管心里绕了多少回，往往是一等再等，几十年等一回，那一回有时候似乎永远不来似的，有时都就等到白头了。其中一个办法描述如下：假如 “南北韩” 不在词典里，但“南韩”和“北韩”都在，“南北”也许在，也许不在，不管他。切词的结果不外是：南/北韩 or 南北/韩。“揉”词的算法可以放在切词之后。最简单的算法就是再查两次词典，如成功，就把切词结果加以改造，爱怎么揉怎么揉。

(1) Input: A/Bx
Is Ax in lexicon? If yes, then
output: Ax conj Bx

(2) Input: AB/x
Are Ax and Bx both in the lexicon? If yes, then
output: Ax conj Bx

(3) Input: 海内/外:
Is 海外 in the lexicon? If yes, then
output: 海内 conj 海外

张:
李白对话将载入计算语言学历史

李:
前些时候，还真有个出版商寻求合作，要出版个啥 NLP 系列。旁门左道，从来没想要出书的，甚至写了也不管有没有读者。总之没拿读者当上帝。自媒体时代，写已经不仅仅为了读，写主要是为了写，日记疑似。与其读者做上帝，不如自己做上帝。反正也不指读者养活自己，完全是共产主义义务劳动，而且是高级劳动。此所谓，说给世界听，可并不在乎世界听不听。后来想起《对话录》，我说，也许你应该去找白老师。如果白老师愿意，倒是可以选辑修订成册。里面不乏精品，譬如最近的这篇：【李白69：“蛋要是能炒饭，要厨师干啥用？”】。

张:
计算语言学界最浪漫的事就是不忙的时候（坐在摇椅上）看李白悠悠地“怼”，慢慢地“坑”

白:
如果前缀两个字，就比较容易接受：大江南北、长城内外

李:
“大江南北、长城内外” 不同，“大江南” 、“大江北” 不在词典，而是句法组合。“大江-南” 是句法，“大江-南北” 也是句法，没有必然的必要性去补足构词材料。

白:
但是相比共享后缀，语义并无结构上的特别之处。所以补足只是针对同类现象的部分解决方案。按构词规则捏出一个有微结构的合成词才是根本。

“欧洲一体化已死，何须中国分裂？”  有个“它”或者“之”，关系会更明确。

李:
那就有点不伦不类了。“欧洲一体化已死 何须中国分裂之”，听上去成诗句了，好比
“花开花落两由之”。

白:
多好。如果像我引用的那样，就比较麻烦，总得有些关于统一和分裂相对关系的铺垫才能正确理解“中国”在其中的使动角色。

李:
想起个故事 在我知道胡适之是胡适之前，我写了句 “胡适之名句”，那还是高中的时候。高中同班一个公认的秀才，老夫子，读书巨多，平时颇孤傲，会背诵古文观止。 他马上对我刮目相看，他没料到我居然知道胡适乃是胡适之。别小看一个之，知道不知道它当年被认为是有学问与孤陋寡闻的重要区别。天地良心 我的确不知道胡适还有个之。后来知道了，不禁哑笑，哈，被学问了。秀才最后成了一辈子最铁的朋友，现在也在米国，做大学教授 系主任多年。

白:
英语“xxx specific”怎么翻译才地道？直译为“yyy特定的”读起来很不爽。比如“language specific”我宁愿麻烦点翻译成“针对特定语言的”。见到“语言特定的”这样的翻译，总感觉不舒服。但是，汉语处理已经必须处理这种因为直译导致的语言现象了。因为我们左右不了人家的翻译质量。

昨天徒步时看到的“旅游厕所”让我对降格又深入了一步。简单地看，这是动词“旅游”降格做定语修饰“厕所”。但是，1、“厕所”无法反填“旅游”的坑，这和“打火机”不同。2、“厕所”并不是与“旅游”的坑完全隔绝，它是给旅游者上的厕所。构词的微结构里面虽然没有直接出现“上”，但是这个“上”却是连接“旅游”和“厕所”的枢轴。跟前些天讨论的“孟姜女哭倒长城”里面那个没出现的“修”，有的一比。述语动词“哭”和结果补语“倒”没有相谐的共享坑，但是深层次通过“修”和“丈夫”的坑，延展开来实现了共享。

王:
我感觉是“旅游（用）厕所“，这样绑定是否可行。“上“有点窄，但“用”面大，覆盖广，只要没有反例就好。类似英语动词+ing。traveling toilet。学英语时，v+ing，分词和动名词，用来旅游的厕所 or 旅行着的厕所（移动厕所）。不知对构造新词是否有帮助。

白:
直觉“旅游”和“厕所”也是通过“上”实现了回填。等下我画个图验证一下。“用”也还是意犹未尽，不是严格用填坑关系串起来的，是一个虚动词，“上”是一个实例。

梁:
我有点忘了，“孟姜女哭倒长城”是孟姜女晕倒了，还是长城倒下了？好像两种理解都可以。

白:
长城倒了。
旅游[的]（上、用……）[的]厕所

双线是“旅游”成为“厕所”定语的路径。简化一下：

把phi_1、phi_2缩并到“旅游”，形成虚拟节点“旅游'[S/N]”的话，上图就进一步简化为：

回填结构昭然若揭。phi_1是“旅游者”，phi_2是“上、用……”。

王:
第一个图好理解，简化后自己有点跟不上了，呵呵！当然白老师心中是门清的，只要可操作就是好的。

李:
为了一个定语 弄出两个无中生有的节点 才把这根线搭上，够绕的。某人 v 了厕所
此人 旅游，因此 旅游厕所就是为某些旅游的人所v的厕所。萝卜坑貌似搭上了，不过绕了这么一大圈搭上了又有啥好处呢？

白:
1，如果对不能反填置之不理，这一步大可不必。2，深层语义结构本来如此，顺藤摸瓜找到相谐的反填路径，看起来是句法任务，实际已经是语义任务。所以parser只做到降格就可以收工了。

李:
对于 “v （的）n”，知道 v 是 n 的修饰语 是根本，v 的坑 对于语言理解不重要，或无关系，因为语言中的谓词，填不上坑或不值得填坑的，是常态 是多数。需要填坑的（处于clause里面的）谓语动词是少数，多数是非谓语动词。即便谓语动词 一来也常省略萝卜
二来可填的坑 句法痕迹也比较明显直白，不会那么绕，少数远距离例外。

白:
对句法不重要，对语言理解不能说不重要。无中生有只是假装，其实联想到的实例都是有的。旅游厕所真的就是那个意思啊…… 难不成碰到了那个意思还要过河拆桥，告诉别人不存在这个桥。

王:
我觉得白老师对新词的剖解挺好，词生有根，把根找到是件有意义事情。当然在有些处理新词场合，可能不需要处于隐形的中介出场。一旦需要时，能有套路可找到，那么这价值就体现了。这也是机器搜刮了词典中的多种关联后得到吧。不排除有些情况可能找不到，也有可能找出了多个。这可能更大视野来考虑相协。

白:
刚才用“坑论”试了一票英语例句，巨爽。

李:
Man 填了万能词 is 又填 fat 中间还来个 +N  看上去有点复杂 （N+ 是定语，+N 应该是后补同位语）。/N 在身边没找到萝卜 就进休息室了 +N 守株待兔 等待左边来客，这一套蛮绕。

白:
@wei 别看man填了那么多坑，除了一个花了额度，其他都是免费的，而且都说得清来由。这个免费额度的机制，看来真的是universal 。

“自从有了智能移动电话，我的智能、移动和电话都在减少......” 这段子，又涉及微结构了。

宋:
“制裁没起作用，朝鲜又爆炸了氢弹。”其中，“制裁”的受事是“朝鲜”。机器没有相关的背景知识，能发现这种论元关系吗？

李:
“制裁没起作用 美国只有先发制人一途了。”

白:
“制裁没起作用，中国躺枪。”

李：
对于 hidden 论元 既然说者都不愿显性表达出来，为什么要挖出来？在哪些应用场景 需要挖出 hidden roles 哪些场景不需要？机器翻译基本不需要，信息抽取和大数据挖掘的应用也基本不需要，explicit 论元都成山成海冗余无度呢。自动文摘的场景不需要。阅读理解的场景似乎是需要的，但这也看哪一种level 的阅读理解，四级阅读与六级阅读 要求不同。总之 感觉多数场景不需要。实用主义来看 做了也白做 何况做也难做好。

白:
这根本不是个别词的问题，而是场景的问题。在先行的大场景中各自什么角色，决定了填“制裁”坑的萝卜是谁。向后找萝卜，方向反了。

“耳朵聋了，莫扎特的音乐照样演奏。”
“耳朵聋了，贝多芬的音乐照样演奏。”

吕:
这个需要接入外界知识了

白:
第二句有歧义，第一句没有。原因，就是大家知道莫扎特和贝多芬谁耳朵聋了。可以把“贝多芬耳朵聋了”看成一个先行场景，“联立地”决定后续空白坑的填充。重要的事情说三遍，只要语言不要常识不要常识不要常识。Simultaneous anaphor

【相关】

【语义计算：李白对话录系列】

《朝华午拾》总目录