-
【说话处理惩罚与Python】10.5段落语义层
添加时间:2013-6-6 点击量:段落是句子的序列。
段落默示理论
一阶逻辑中的量化标准办法仅局限于单个句子，然则有的量词的局限是可以扩大到两个以上的句子.
看下面的例子:
（54）a. Angus owns a dog. It bit Irene.
b.?x.（dog（x） &own（Angus， x）&bite（x， Irene））
段落默示理论（Discourse RepresentationTheory，DRT）的目标是供给一种办法处理惩罚这个和看上去是段落的特点的其他语义现象。
DRS（discourse representation structure，DRS）段落默示布局
如图所示：
为了处理惩罚DRS策画，我们须要将其转换成线性格局。
此中，DRS是由一个段落指称链表和一个DRS前提链表构成的配对：
（[x， y]，[angus（x）， dog（y），own（x，y）]）
在NLTK中建树DRS对象：
>>>dp= nltk.DrtParser（）
>>>drs1 = dp.parse（（[x，y]，[angus（x）， dog（y），own（x，y）]））
>>>print drs1
（[x，y]，[angus（x）， dog（y），own（x，y）]）
可以查看可视化结果：
>>>drs1.draw（）
每一个DRS都可以转化为一阶逻辑公式：
>>>print drs1.fol（）
exists xy.（（angus（x） &dog（y）） &own（x，y））
DRT表达式有DRS连接运算符，用+默示。
>>>drs2 = dp.parse（（[x]，[walk（x）]） + （[y]， [run（y）]））
>>>print drs2
（（[x]，[walk（x）]） + （[y]，[run（y）]））
>>>print drs2.simplify（）
（[x，y]，[walk（x）， run（y）]）
一个DRS内嵌入另一个DRS。这是全称量词被处理惩罚的体式格式。
&＃160;
>>>drs3 = dp.parse（（[]，[（（[x]， [dog（x）]） -> （[y]，[ankle（y）， bite（x， y）]））]））
>>>print drs3.fol（）
all x.（dog（x）-> exists y.（ankle（y） &bite（x，y）））
若是DRS包含PRO（x）情势的前提，办法resolve_anaphora（）将其调换为x=[...]情势的前提，此中[...]是一个可能的先行词链表。
>>>drs4 = dp.parse（（[x，y]，[angus（x）， dog（y），own（x，y）]））
>>>drs5 = dp.parse（（[u，z]， [PRO（u）， irene（z）， bite（u， z）]））
>>>drs6 = drs4 + drs5
>>>print drs6.simplify（）
（[x，y，u，z]，[angus（x）， dog（y），own（x，y）， PRO（u），irene（z）， bite（u，z）]）
>>>print drs6.simplify（）.resolve_anaphora（）
（[x，y，u，z]，[angus（x）， dog（y），own（x，y）， （u = [x，y，z]）， irene（z）， bite（u，z）]）
DRS的处理惩罚与处理惩罚λ抽象的现有机制是兼容的。
Det[NUM=sg，SEM=<\P Q.（[x]，[]）+ P（x）+ Q（x）>]-> a
Det[NUM=sg，SEM=<\P Q.exists x.（P（x）&Q（x））>]-> a
例如，a dog:
（NP[NUM=sg， SEM=<\Q.（（[x]，[dog（x）]）+ Q（x））>]
（Det[NUMsg， SEM=<\PQ.（（（[x]，[]）+ P（x））+ Q（x））>]a）
（Nom[NUM=sg， SEM=<\x.（[]，[dog（x）]）>]
（N[NUM=sg， SEM=<\x.（[]，[dog（x）]）>]dog）））））
我们可以应用DRT解析体式格式来解析句子：
&＃160;
>>> nltk import load_parser
>>>parser= load_parser（grammars/book_grammars/drt.fcfg， logic_parser=nltk.DrtParser（））
>>>trees = parser.nbest_parse（Angus ownsa dog.split（））
>>>print trees[0].node[sem].simplify（）
（[x，z2]，[Angus（x）， dog（z2），own（x，z2）]）
段落处理惩罚
段落是一个句子的序列，s1，s2，s3…段落线是读法的序列s1-ri，…sn-f。
>>>dt =nltk.DiscourseTester（[A student dances，Every student is a person]）
>>>dt.readings（）
s0readings: s0-r0: exists x.（student（x）&dance（x））
s1readings: s1-r0: all x.（student（x）-> person（x））
我们可以随时添加句子和删除句子，设置consistchk=True可以搜检每个可接管的读法序列来搜检模块的一致性：
>>>dt.add_sentence（No person dances，consistchk=True）
Inconsistent discoursed0[s0-r0， s1-r0， s2-r0]:
s0-r0: exists x.（student（x）&dance（x））
s1-r0: all x.（student（x） -> person（x））
s2-r0: -exists x.（person（x）&dance（x））
>>>dt.retract_sentence（No person dances，verbose=True）
Current sentences are
s0: A student dances
s1: Every student is a person
我们应用informchk=True搜检新的句子φ是否对当前的段落有信息量。
&＃160;
无论对感情还是对生活，“只要甜不要苦”都是任性而孩子气的，因为我们也不完美，我们也会伤害人。正因为我们都不完美，也因为生活从不是事事如意，所以对这些“瑕疵”的收纳才让我们对生活、对他人的爱变得日益真实而具体。—— 汪冰《世界再亏欠你，也要敢于拥抱幸福》
>>>dt.add_sentence（A person dances，informchk=True）
SentenceA persondancesunder reading exists x.（person（x）&dance（x））:
Not informative relative to thread d0
