认知推理与深层回指的确定

本文在简要介绍Ariel的可及性理论基础上,分析了认知推理在深层回指确定中的功用,指出深层回指语的应用在一定程度上可以激活语篇接受者的认知思维,其指代的确定是语篇接受者运用认知结构中有关语言知识、语境知识和世界知识进行推理的结果。不过深层回指的确定有时也有失败的情况,这主要是由于深层回指可及度所致。

认知推理与深层回指中第三人称代词指代的确定

深层回指中第三人称代词指代的确定是一个复杂的、动态的认知心理过程,其指代的确认是读者运用认知结构中有关的语言知识、世界知识和语境知识进行认知推理的过程。

基于Bi-LSTM的维吾尔语人称代词指代消解

针对维吾尔语人称代词指代现象,提出利用双向长短时记忆网络(Bi-directional long short term memory,Bi-LSTM)的深度学习机制进行基于深层语义信息的维吾尔语人称代词指代消解.首先将富含语义和句法信息的word embedding向量作为Bi-LSTM的输入,挖掘维吾尔语隐含的上下文语义层面特征;其次对维吾尔语人称代词指代现象进行探索,提取针对人称代词指代研究的24个hand-crafted特征;然后利用多层感知器(multilayer perception,MLP)融合Bi-LSTM学习到的上下文语义层面特征与hand-crafted特征;最后使用融合的两类特征训练softmax分类器完成维吾尔语人称代词指代消解任务.实验结果表明,充分利用两类特征的优势,维吾尔语人称代词指代消解的F1值达到76.86%.实验验证了Bi-LSTM与单向LSTM、浅层机器学习算法的SVM和ANN相比更具备挖掘隐含上下文深层语义信息的能力,而hand-crafted层面特征的引入,则有效提高指代消解性能.

框架理论对第三人称代词深层回指的解释力

认知语言学认为,语篇指称理论不仅满足于描写指称词语在语篇内的具体所指,还要揭示听/读者在理解指称关系时所依赖的认知结构和心理过程。这一过程是建立心理表征的心智过程,因此指称关系的内涵应包含心理表征结构中的相关信息。构建认知框架在理解第三人称代词深层回指过程中发挥着重要作用。

深层回指的诸类型及其语用分析

对深层回指进行分类,划分了无明示先行词的回指、零回指词回指和句法歧异回指,并对其进行语用分析,提出了相应的释义方法。对于深层回指式中回指词所指的确定,纯语法的考察虽起到一定的辅助作用,但其解释力是有限的,读者除要运用其语言知识外,还需运用其语境知识、世界知识。

汉语零形回指消解研究综述

关于零形回指的研究一直是语言学研究中的一个热点,零形回指消解是自然语言处理中一项十分重要的任务。20多年来,学者们基于语言学规则、机器学习、深度学习等方面,提出了各种研究方法,并取得了大量研究成果。该文首先介绍零形回指的相关概念;接着介绍目前国际上汉语零形回指消解的公开评测资源OntoNotes 5.0数据集及评价指标;其次,系统梳理和对比了国内外汉语零形回指消解所采用的方法;最后,总结和分析了目前零形回指消解研究的主要制约因素,这些因素也正是未来可能的研究方向。

基于深度学习的维吾尔语人称代词指代消解

指代消解是自然语言处理技术的核心问题,该文结合维吾尔语语义特征,提出基于深度学习的维吾尔语人称代词指代消解方法。通过堆叠多层无监督RBM网络和一层有监督BP网络,构建DBN深度神经网络学习模型,RBM网络保证特征向量映射达到最优,BP网络对RBM网络的输出向量进行分类,实现维吾尔语人称代词指代消解。经过维吾尔语指代消解语料库测试,F值达到83.81%,比SVM方法高出2.88%。实验结果表明,同等条件下,该方法能有效提升维吾尔语人称代词消解的精度,有助于维吾尔语指代消解研究。

基于深度强化学习的维吾尔语人称代词指代消解

针对深度神经网络模型仅学习当前指代链语义信息忽略了单个指代链识别结果的长期影响问题,提出一种结合深度强化学习(deep reinforcement learning)的维吾尔语人称代词指代消解方法.该方法将指代消解任务定义为强化学习环境下顺序决策过程,有效利用之前状态中先行语信息判定当前指代链指代关系.同时,采用基于整体奖励信号优化策略,相比于使用损失函数启发式优化特定的单个决策,该方法直接优化整体评估指标更加高效.最后在维吾尔语数据集进行实验,实验结果显示,该方法在维吾尔语人称代词指代消解任务中的F值为85.80%.实验结果表明,深度强化学习模型能显著提升维吾尔语人称代词指代消解性能.

注意力机制的LSTM-DBN维语人称代词指代消解

针对维吾尔语中人称代词指代歧义问题,结合维吾尔语言的词法、语法、词间位置等关系,以及注意力机制、长短时记忆网络和深度置信网络,提出了一种维语人称代词指代消解模型。首先,分析维语中人称代词指代的特点和表达规律,提取出相应词向量特征;其次,借助长短时记忆网络挖掘维吾尔语人称代词的语义特征,并利用注意力机制的相似性度量、权重调节能力,避免信息在层间传递的丢失,实现特征编码向量的信息整合;最后利用深度置信网络(DBN)进一步挖掘出隐藏在维语上下文中的深层语义特征,完成维语人称代词指代消解。实验结果表明,所提模型在挖掘深层语义信息和识别效果上优于传统的深度学习模型,准确率达到了81.14%,F1达到了78.83%。

英语深层回指的认知探究

本文采用认知的观点,以阿里尔的可及性理论、兰加可的观念参照点理论为基础,对深层回指提出全新的解释。研究表明回指词的先行项不一定是语篇的某一词或句法成分,但它必定是交际双方根据话语所建立的心理表征中突出的实体。

英汉深层回指的浅析与释义

深层回指不同于表层回指,其回指项由语境和语用因素控制,在句法范围内无法解决,需要结合认知语境进行语用推理才能确认深层回指式中回指词的所指。对三种深层回指分别进行了解释,分析了英汉两种语言在使用回指时的偏重,并从认知的角度出发,指出关联对于深层回指的释义起着指导性的作用。

现代汉语名词短语省略的形式句法研究

本文探讨了涉及"的"字和量词的现代汉语名词短语省略。鉴于"的"字的历史来源,本文认为现代汉语存在两个"的",即"轻名词"(的_1)和"连接词"(的_2),前者构成了独立"的"字结构("的"字短语),而后者则构成了"的"字名词短语。根据Hankamer&Sag(1976)的"深层vs.表层回指说",本研究认为,现代汉语中独立"的"字结构和量词短语省略结构应被视为"深层回指",而涉及语音式删除操作的"的"字名词短语则为"表层回指"。

基于DRT的2D-RS语义模型研究

以Kamp为代表的话语表征理论(DRT)在模型论语义学的基础上,将话语表征结构(DRS)引入语义模型中来,动态地解释E-类代词回指等长期困扰传统形式语义学家的话语回指问题。然而,我们的研究表明,当前的DRT模型还无法对无显性先行语的深层回指作出有效的解释。究其原因,我们认为,与自然语的层次丰富、内容多样的实际特征相比,DRT仅以单一层次的DRS作为话语解读的语境,这无论在思想上还是技术上都过于简单。因此,本文提出了一种基于DRS和KRS(知识表征结构)的二维话语表征语义模型(2D-RS Model),旨在探索更有效的回指消解途径,以期在DRT理论的框架下解决更多的回指问题,进而使DRT在话语回指消解方面的应用更具普遍性。

第三人称代词深层回指现象在英汉互译中的对比分析——以语篇翻译为例

作为一种必不可少的语篇衔接手段,回指对语篇的连贯和衔接起着重要作用。而在实现语篇回指的手段中,人称代词出现频率较高,其中第三人称代词是重要组成部分。人称代词是回指现象的重要组成部分,对理解语篇含义起到关键作用。文章从第三人称代词深层回指角度出发,分析其在英汉语言以及英汉互译中的运用差异,指出在语篇互译中,正确理解语篇,并不是运用浅显的语法知识在语篇中找出回指词所对应的内容,而是更大程度上依赖译者对语篇信息的推敲分析,这对于英汉互译中回指现象的处理和语篇的正确、灵活翻译及衔接有着积极的指导意义。