博文
【新智元笔记：搭配二论】
|||
【立委按】微信群拉近了天涯海角的华裔专家的距离。这类富于智慧的专业讨论及其碰撞出的火花是教科书上看不到的，一般的大学或研究所的讲堂里也难遇到。大概类似于早年高级知识分子的沙龙，唇枪舌战，佐以幽默机锋。但不同的是，这些有意思的笔记几乎瞬时记录在案，以飨天下。如果你感觉受益了，请先感谢张小龙，再感谢群主白老师。都是神仙。
宋: 分布还是有意义的，比如“戴帽子”和“穿帽子”就是一种词对词的分布。
白: 这个可以被统计完败。
宋: 对，分布式可以统计的，但受到语料库内容的局限。比如拔火罐的情景对话，语料库中可能没有，结果“紫”就是区别词。
白: “这二十板子打得我手都肿了”。“这二十板子打得我手都酸了”。我和打的关系，因为一个字而不同。
宋: 这种知识，怎样加到知识库中呢？
白: 肿，是伤病的一种；酸，是乏累的一种。施动导致乏累，受动导致伤病。这是知识图谱的思路。
宋: 句法语义分析，只能说打的结果我手肿或我手酸，至于我打还是我被打，不知道，这是常识范畴，是不是很难加紧知识库呢？
白: 也可以硬选一个概率大的，其他休眠。等常识有了相反线索再唤醒。
宋: “这穴位一捏，我的手立刻酸了”。
白: 嗯。这就需要唤醒了，捏穴位，被捏者有酸麻痛胀气感。但这不是词典级别的休眠唤醒，是语义角色指派（填坑）环节的休眠唤醒。
宋: “捏了一上午穴位，手都酸了”。
白: 时间又起作用了，再翻盘。
宋: “捏了半小时的穴位，我的手才感觉酸”。
白: 休眠唤醒本身的对象有个级别问题，休眠唤醒所依据的知识，也有个级别问题。宋老师最后这个例子，歧义了。
宋: 是歧义。但是否有歧义，也是靠关于捏学位的知识来判定的。捏两秒钟酸是患者酸，捏两小时酸是医生酸，捏20分钟酸有歧义。
白: 以前面“板子”的例子为例，句法究竟要不要确定“我”是打的还是被打的？确定“这二十板子”是句法上的主语，最好交差。句法是不是到此为止？
宋: 我觉得是这样。从上面的例子看，我对于涉及常识的问题有点悲观，觉得碰不起。或者，要积累太多太多的知识才行。但是，人是怎么获得和存储这些常识的呢？为什么人可以有这些常识从而能判断，机器就不行呢？
我：拿立氏parser分析一下看：
白: 伟哥更狠，上层无主语，下层俩主语（包括Topic）。原因，居然是，他用了远距离相关。“打板子”弄一起了。
我: 搭配啊。这个分析形式上是合理的，隐含的坑没填。“我手疼”和“我手酸”是一样的，没有啥疑义，因为表达是显性的。问题出在，这个“我”怎样去填写上一层的坑。
白: 实际上，这两句微调一下，就是：“打这二十板子do得我手都肿/酸了。” 引入虚动词do表陈述，实动词和它的固定搭配一起表指称。我在N多年前（N大于10起码）发表的文章《论语义重心偏移》就是这个路子。
我: 两个“打” unify，虽然汉语句法上必须重复（reduplication）。不过前面的合成词“打板子”与“打”，没能unify 虽然应该unify：问题出在，词典中合成词的搭配，默认是黑箱子。可这个黑箱子不够黑，其实是蛮透明的。
白: 这样交差，面子上最好看。上层的坑，候选就在下层，可是咫尺天涯
我: 距离不远，如果有可靠的痕迹（常识不算），可以填坑。
白: 保持一种能交差的模糊还是确定一种能翻盘的推测，都可以，不同的技术路线。把去模糊或者翻盘的任务留给下道工序。
宋: 二十板子打得我手都酸/肿了。弄清楚二十板子是打的动量，我手酸肿是结果，就够了。为什么非要弄明白打的施事和受事呢？这个信息也许上下文中有明示，为什么非要从这一句话中凭常识去理解呢？我觉得这还是英语的影响，只要有及物动词，就非得有个施事有个受事，其实听的人可能不关心，至少在听这个句子的那一刻并不关心。英语是摆出了架子，论元结构，每个句子基本论元都要填全。汉语语法简单，语义也简单，关心的事情都不想说明白，不关心的事情绝对不说。汉语的语义分析句法分析，不能用英语的那一套。
我: 宋老师是在question为什么要补全，任它模糊不行么？补全了，究竟什么时候、哪些用场要用到？我有同样的疑惑。不过这不像宋老师的问题，因为宋老师就是做补全工作的。
宋：我现在没说补全。如果说补全，用堆栈结构，也是有限地补全，不一定包括基本论元。
白: 坑是在建立词典的时候就挖好的。有些语义的坑甚至与语种无关。理解就是坑驱动的并且以填坑为目标的。想要弄明白没错，常识也不是弄明白所唯一依靠的手段。了解没有填满的坑和没完句的标点句一样是有“张力”的，就够了。应用与哪些张力接轨，是应用的事。“二十板子”那个，甚至可以说形式上都全了。但是张力依旧在。你可以明确地不理睬张力，但是这和没感到张力是有区别的。
宋: 我觉得要在话语内和话语外之间划一条界限。计算语言学先把话语内的事情解决，人工智能可能关心话语外。先搞字面理解。字面外的东西另说。
白: 这个可以有。
宋: 这就要建立一个适合汉语的字面理解的语义体系。
白: 但是接口的表达能力强，还是不一样。比如，“乒乓球是谁也打不过”，“足球是谁也打不过”。没有常识，你不知道谁强。但是，知道某两个成分一定分别填某两个坑，也够了。
宋: 两个问题所用的策略和资源可能不一样。先弄清楚字面的语义有哪几个要素，是用什么语言形式表现的，有什么规律性的东西可以让计算机抓住的。
我:“爱是一种珍贵的感情”。谁爱？爱谁？坑从词典里就有了。填不填呢？这是一个极端的例子，答案是：不需要填，或者按照标配去填。其实甚至按照标配填都不合适，因为在讨论爱这个概念的时候，人甚至不想被标配束缚。标配是人，可是我们的信教朋友讨论爱的时候，默认却是上帝。
白: 一种，已经指称化了，与陈述可以无关。无关就不需要填。只有陈述的坑才有张力，指称的没有。标配都不需要。去南极太危险了。谁去南极，不需要关心。不产生张力。
我: 是不是在填坑前，先掉一个程序确定谁有张力，谁没有张力，然后再去填？这个张力的标准也不是想象的那么容易识别，或容易有共识。
白: 在分析过程中就能确定吧。
我: 在一个充分开发的系统，填上了的就是有张力的，填不上的就是缺乏张力的？
白: 有些是跨句的。比如：“我知道谁是凶手”。“凶手”抛出一个“案件”的坑。但是句法上，这句话自足。如果系统认为“凶手”不需要关联“案件”，那也没什么，大不了信息抽取的时候再通过其他渠道重新发明轮子呗。
宋: 说英语大人也没那么较真儿。不关心失是受事的时候就用一个有行为意义的名次。表达成汉语，形式一样。人家已经不关心了，我们还在挖掘。
白: 也不是不关心，坑还是坑。比如the removal of sth，sth就是个填坑的。
宋: 英语通过词性标志明白地表示我关不关心，汉语没有这种标志。那就是在话语中直接表现出这种关心了。
白: The retirement of somebody，动词降格为名词，但动词的坑，通过名词的领属格，继续存在下去。
宋: 字面上有的，是我的职责，没能解决是我的失职或能力不足。字面上发没说的，请人工智能大哥解决。
白: “谁也打不过”，两种填坑方案，一个最强一个最弱。谁强谁弱，人工智能大哥可以告诉你。但是告诉你了还填不对，就是NLP的能力问题了。
宋: 隐喻之类的，是二者之间。
白: 隐喻另说吧。
宋: 这是句式语义，字面问题。“这个人连班长都不认识”。
白: 这个也可以假装没有歧义，咬死了“这个人”是主语，“班长”是宾语，也可以交差。只不过把填坑的任务转嫁了而已。parser是“能做多少做多少”，还是“能做多少做多少”？还是“面子上能做多少做多少，实质上能做多少做多少”？确实有个取舍。
我: 这些个特别句式或特别的说法，它的歧义是容易识别的、它的标配语义是清晰的、它的排歧是困难的。费了半天劲，还是很难排除歧义，不如止于识别，或者止于标配（以后可以翻盘）。
宋: “这个难民连奥巴马都不认识”。这种话的理解，确实需要知识。但在计算语言学中，可以先悬起来，问大哥：奥巴马不认识一个难民是常规还是一个难民不认识奥巴马是常规？大哥告诉他前者是常规，于是小弟得出答案：这个难民不认识奥巴马。如果大哥不告诉小弟，小弟只能把结果模式和需要的知识都摆出来，收不了口。
宋: 没错。“拿多少钱干多少活儿”。
“有多少能力干多少活儿”。
白: 止于识别并保留明确的翻盘接口。止于标配。我的选择。没有外部信息，就按先来后到了。
宋: 字面上的东西，计算语言学责无旁贷。堆栈模型就是字面上的。
白: 要翻盘，从队列里按顺序翻就是了。
宋: 难民的例子说错了。奥巴马不认识难民是常规，于是小弟知道是难民不认识奥巴马。
白: 知名度低的不认识知名度高的信息量大。实力最弱的打不过实力最强的是标配。填的时候，不是“两可”而是填这种系统调用附带逻辑约束。这样外部知识应用就有方向了。
宋: 标配就是缺省值，对吗？
白: 是。
我: 这些算标配了。标配的翻盘可以在识别了这种歧义的句式的时候，设置一个tag,后去的模块可以考虑基于 tag 所指，看有没有其他的依据去翻盘。
白: 不仅值缺省，标签也缺省。我是这个意思，见图：
我: 看成了 臭巴马。哈。
白: 嗯，字臭么。
知名度的值或序，外部给。但是除了这个，NLP都可以确定。
我: honestly 这样做系统，容易限于烦琐哲学。另一个风险是，容易引起很难判断的“语言外知识 vs 语言内句式的标配语义”的较劲。Case by case 可以说得头头是道，但也极易捉襟见肘，或聪明反被聪明误。毛主席说：知识越多越反动。
白: 贫下中农说，背着抱着一边儿沉。
我: 一个系统负载太多的碎片化知识，会陷系统于不鲁棒不好维护的境地。Stay simple，stay foolish，stay knowledgeless，as much as possible。
白: 加起来总是繁琐的。
我: taxonomy 这样的本体知识 hierarchy 用起来副作用较少，因为可以用这些 taxonomy 做细化的规则，下面的粗线条的标配并不变。但是一旦开始用常识或世界知识，这些非元知识的系统，危险大大增加，很容易弄巧成拙。
白: 角度不同。一个既要做parser又要做应用的开发总负责人会做合理分工的。这不是世界知识，只是一个接口，甚至你可以不命名。只用内部编号。总之，填坑的方案取决于一个量的外部排序。
我: 知名度当然是世界知识，不是本体知识。奥巴马知名度高，是一个非常实在的世界知识。
白: 可以不叫知名度，这行吧。叫external-quantity123，到时候给映射上就OK。
我: 叫什么都不改变知识的性质，这些知识是与 entity 关联的图谱性的东西，而不是不随世界而变化的本体知识。奥巴马与一介平民的比较还好，换成两个其他人名，几乎没有可操作性。
白: 不可比，就不代入人名，死不了啊。实际上，语义场理论里，序结构是个基本的结构，这个完全是可控的。拿不可比的序关系说“连....都...”句式，那是语病。那种情况下不可操作是天经地义的。如果是人机对话，机器遇到人说了不可比的情况，可以生成问句，进一步追问二者在相关外部量上的排序。比如“不认识”可以驱动对知名度排序的追问。“打不过”可以驱动对实力排序的追问。parser只要能表示“孰高”就OK。
我: exactly，如果是人机对话的语用场景，问题根本就不存在。上帝的归上帝，人的归人，机器的归机器。机器只需识别歧义，which is tractable and easy in most such cases，消灭歧义归人。用些小的技巧就可以实现，一点都不困难。我专门为此写过两篇笔记。很多看似极为艰深的语言歧义，到了人机交互现场，简直就不是事儿。
白: 还要让人的体验好啊……不是为了消灭歧义而消灭歧义。要让人知道机器除了问人的那一点不知道，该知道的都知道了。
QUOTE：“世界上怕就怕认真二字，昨晚对‘双关语’认真了一回，发现微妙的外表下面，是简单的实现可能，绝大多数双关不过是一词多义而已，识别它没有难处。自动消歧自然是难，但是有消歧的必要么？双关之所以叫双关，就是否定消歧的必要性。”
白: 双关不在结果而在过程。
我: 要点是，一个词的多义，或者一个句式的多义，识别它非常容易。
白: 过程是休眠唤醒，最后都留下。中间一个休眠了。没这个过程，是索然无味的。“对付”人机对话太容易了，做好不容易，要有点追求么。
我: 不说人机对话，感觉上，需要核心引擎用细琐的知识排歧的语用产品，不为多数。
信息抽取是一个重要的语用场景，过去17年就做它了。虽然理论上说，所讨论的那些排歧和填坑，可以帮助抽取和抽取的信息融合（info fusion）。但实践中，在信息抽取（或知识图谱）的任务确定以后，信息融合所需要依仗的支持，在大数据的信息冗余的自然帮助下，很少要用到核心引擎的细颗粒度的排歧和填坑。这个体验是经验性的，可以信或不信，但这是真实的感受：独立于 domain 的细琐的语义求解对最终的知识图谱任务，没多大帮助。细颗粒度语义有科学意义，实用意义不大，况且很难实现。一个 light weight 的 deep parser 就够人忙的了，还要加载细琐语义，这是要压垮系统的节奏。
白: 排岐并不是唯一目的。设想尼克问你：你咋连冰冰都不认识？你回答：冰冰谁啊？这不是在排岐，但却使用了你自己的知名度排序，把冰冰知名度说的一钱不值……
我: 多数语义最好与语用一起做，而不是超前，虽然理论上超前的语义可以对所有语用有益。其实这个道理与为什么大多数知识图谱项目并没有采纳 FrameNet 作为中间件是一致的。理论上，FrameNet 的存在就是为语义和语用架设一座桥梁。但实际上，稍微尝试一下就会发现，与其先瞄准 FrameNet 然后再从 FrameNet map 到语用的domain 定义的目标，不如直接从句法结构去做domain语用。后者不仅省力省工，而且更加容易掌控和debug。总之根本就没有可比性。
白: 即便董老师做Hownet，傻子也看得出来他的语用是机器翻译。世界上没有超前的语义，只有超前的语用。语义和语用不匹配是自己没把握好
我: 同意。
可以总结一下我的经验和立场了：
（1）WSD 这一层的词义 ambiguity，原则上 keep it untouched。很多词义的区别属于nuances，并不影响本体知识的 taxonomy的features，如果遇到两个词义相差大，那么就两条路径的 taxonomy 全给，系统用到哪条算哪条。以此来维护先句法后语义的大原则。
（2）对于句素之间的关系语义的歧义，PP-attachment 之类，两个策略都可以。deterministic 的策略就是先休眠其他可能，然后在需要的时候在后续的模块做reparsing去重建 non-determinitic parses 唤醒并重选。第二个策略，就是注重 identify 这种歧义，但不去排除它，而是都给连上（当然可以有个排序）。句素间连上多种parses，没有什么负担。一个Node 既连成了主语，又连成了宾语，虽然是违背了依存关系的原则，但却凸显了歧义。后去的模块只要在歧义中选优（排歧），或者语用中都尝试一下即可（不排歧，用语用知识弥补歧义路径的不足）。
（3）对于句素下的歧义，譬如短语内的歧义，最好是休眠，不能带着瓶瓶罐罐去做deep parsing。
这算是语重心长的经验之谈。值100文。
【相关】
《立委科普：机器可以揭开双关语神秘的面纱》
《贴身小蜜的面纱和人工智能的奥秘》
https://blog.sciencenet.cn/blog-362400-954552.html
上一篇：【新智元笔记：搭配面面观】
下一篇：《新智元笔记：跨层次结构歧义的识别表达痛点》
