全信息理论与中文信息处理.ppt

19.7.18,1,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,19.7.18,2,目 录,一，问题的提出,二，解决的方法,三，研究的重点,19.7.18,3,一，问题的提出,19.7.18,4,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,19.7.18,5,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。,19.7.18,6,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。,19.7.18,7,智能系统的核心机制：信息-知识-智能转换,,需求/约束,信息获取,信息执行,信息传递,信息传递,预处理,决策,,,,,,,,本体 信息,智能 策略,智能行为,,目标,认知,,知识,感觉 器官,传导 系统,思维 器官,效应 器官,传导 系统,有序信息,知识库,,需求/约束,实得 信息,19.7.18,8,信息-知识-智能转换：自然语言理解通用方法论,智能行为,信息-知识转换,知识-智能转换,信息知识转换,知识库,,,,,,,,,,,信息（问题与约束）,结果（性能与评价）,归纳,归纳,演绎,,目的,19.7.18,9,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。,19.7.18,10,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。,自然语言“机器认知”的两种基本方法,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”。,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）,19.7.18,11,自然语言理解（机器认知）的困难和意义,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。,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。,19.7.18,12,二，解决的方法,19.7.18,13,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，2004,19.7.18,14,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),Y,,D,I(X;Y) = H(X) – H(X|Y) H(X) = -  pn log pn,X,n,为什么Shannon Information不能解决问题？,19.7.18,15,全信息与“认知能力要素”,符号,,,,客体,主体,,,语法信息,符号序列 （形式结构）,序列内容,序列价值,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。,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。,19.7.18,16,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。,19.7.18,17,An Example for “Understanding”,Sensing,Experiencing,Thinking,,,,Form,Value,Content,Learning the Concept “Tree”,The Mechanism of Understanding,Form  Value  Content,19.7.18,18,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,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。,,,,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！,浅层理解,中层理解,深层理解,19.7.18,19,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。,19.7.18,20,全信息自然语言理解的基本模型,预 处理,后 处理,语用 分析,语义 分析,语法 分析,全信息-知识库,合法 骨架？,符合 目的？,真实 逻辑？,,,,,,,,,,,,,,,,,,,,,,,+,+,+,学习扩展,,,人工奠基,,,,19.7.18,21,“基本模型”的特色,1，目的性 明确地面向“理解”需求。,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。,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。,19.7.18,22,关于灵活性的一个说明,统计分析,OK?,,规则分析,,,N,,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）。,,,,,OK?,19.7.18,23,Applications of CIM-NLU,,,,,,,Internet,Mobile Service,IR,Abstract,Content Analyzer,ML- Dialog,,,,,,,IE,,19.7.18,24,三，研究的重点,19.7.18,25,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,19.7.18,26,An Example for “The Base”,Recalling The Concept “Tree”,Form,{ Content; Value },,The Structure of Information Base for Retrieval,{Form | Content; Value},19.7.18,27,,,,项,语法特征,语义特征,语用特征,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,#1 #m,#1 #n,#1 #p,项（概念，词）,…,…,…,以语句为单位 以骨架为对象 树的深度有限,,（一）全信息的表示：全信息资源库建设的框架,19.7.18,28,（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,（二）基于全信息理解的搜索引擎 核心技术参考《基本模型》：p.20,19.7.18,29,Domain Specific CI-Web,Semantic Web = {Ontology} • Semantic SE,{CI Bases},• NLU-SE,,CI-Web =,World-Wide Web = {Syntax},• Match-based SE,,,,+ Semantics,+ Pragmatic,+ Semantics,+ Pragmatic,19.7.18,30,请多批评，谢谢！,