ПравообладателямАвтоматическое понимание текстов. Системы, модели, ресурсы, Леонтьева Нина
Книжная полка
перейти на полку → Хочу прочитатьЧитаюПрочитана
ИзбранноеВладею
Чтобы воспользоваться книжной полкой выполните вход либо зарегистрируйтесь
← Назад
Скачать: , Леонтьева Нина Николаевна djvu   Читать

Учебное пособие обобщает опыт создания отечественных и зарубежных систем, реализующих автоматическое понимание текстов. Эти сложные "интеллектуальные" системы выделяются из множества систем, которых просто используется автоматическая обработка текста, поскольку автора интересует именно качественный аспект понимания. Рассмотрены те компоненты процесса АПТ, которые могут быть заданы в вербальном виде. В основе пособия - идея "мягкого" понимания текста; представлена экспериментальная лингвистическая система политекст, осуществляющая гибкое соединение лингвистических и предметных знаний.

Для студентов лингвистических факультетов вузов. Может быть рекомендовано для тех, кто интересуется искусственным интеллектом, структурной и прикладной лингвистикой, информатикой.







DJVU. Автоматическое понимание текстов. Системы, модели, ресурсы. Леонтьева Н. Н.
Страница 111. Читать онлайн

А для СитП получим структуру следующего вила:

~сти

Модальиость нковх

ста: азу- еш-

Конеч т

заливать

Количество

1 ложка

)яду

1ЯЗИ ной

Идентификатор ?

Объект

;ди:чи- гейть в ззы- огут

?

вода

Приз

2 стакана

;нП, раззумя

рук- ктумп».

угой одой

ного Так, ~иче-

111

Реферат был бы примерно таким: «Траву (неизвестно какую: нет идентификатора для родового понятия трава) нунсио залить кипятком, пока неизвестно зачем». «То, зачем» — это валентность цели (,) у понятия «необходимость», которое появилось еще в СемП (как интерпретация инфинитива: необходима залить); именно оно претендует на роль главного в данном высказывании, хотя заполнение этой валентности может быль отложено на несколько шагов, вплоть до выхода на уровень прагматики (чтобы numb настой..., чтобы лечить... перечисленные в тексте рецепта болезни).

Забегая вперед, отметим, что при попытке переписать СитП этой фразы в базу знаний (т.е. построить целую единицу «Текстовый факт») степень неполноты только увеличится. Во-первых, недостает Внешней дескрипции (жанр, тип документа, из которого взято это высказывание, автор и т.п.). Во-вторых, даже если системе сообщено, что это рецепт и что информацию из текста нужно помещать в БЗн «Лекарственные травы», в анализируемой фразе мы не найдем ответа на обязательные для заполнения поля базы, которые могут быть, например, такими:

1) наименование лечебного средства;

2) показания (что лечит);

3) способ приготовления;

4) противопоказания.

Ответом на вопрос 1 является название рецепта («Шалфей», «Ромашка» и т.п.). Заполнение полей 2 — 4 может быть получено, если проанализировать весь текст. Наша фраза содержит лишь начало ответа на вопрос 3.

Каждый переход (от синтаксической структуры, или СинП, к СемП, от СемП к СитП и далее к ИнфП и к БЗн) совершается

Обложка.
DJVU. Автоматическое понимание текстов. Системы, модели, ресурсы. Леонтьева Н. Н. Страница 111. Читать онлайн