1.6 语义通信的特点——用含有语义的标签通信

我们用机器学习的语言解释语义通信，说明传递语义信息的载体就是模糊分类标签。

机器学习中通常假设标签y提供关于实例x的信息。一个样例是一个数据对(x, y), 一个样本S包含很多样例，即S={（xk, yk）, k=1,2，…, N}。机器学习的基本原理是：首先我们用样本或样本分布，比如P(x, y)，训练学习函数——包括似然函数，Logistic函数， 相似函数，隶属函数和真值函数。然后用训练好的学习函数构造分类函数y=f(x), 以便以后为x选择标签y, 用y传递关于x的语义信息。

我们以自然语言传递人的年龄信息为例。设年龄为x，年龄的模糊分类标签是y，y是“幼儿“、”小孩”、“少年人”、“年轻人”、“未成年人“、“成年人”…中的一个。语义通信就是使用这些标签通信，收信人根据标签的语义（而不是定制的编码本）预测不同年龄x发生的概率。

语义信道包含在大家共有的知识中（可用一组真值函数表示），是发信人和收信人早就知道的，或者说是通过以前学习得到的。语义通信模型和香农通信模型的区别如图2所示。其中香农信道和语义信道之间的双向箭头表示两者相互匹配。

图2 语义通信模型——用语义信道（一组真值函数）代替失真函数作为约束

和经典通信不同的是：

1）   用语义信道或一组真值函数代替了失真函数作为约束。标签和实例的对应关系（编码表）是不确定的或模糊的，比如10岁，20岁，30岁使“年轻人”为真的程度不同，给定x, 我们选择尽可能真（真值接近1）且精度尽可能高（逻辑概率小）的标签。

2）   收信人根据标签的语义（形式语义）或外延解码，即做概率预测，而不是根据定制的编码本解码。

3）   我们的知识就是共用编码解码表，其中对应关系中少数是人为定义的（比如大于或等于18岁的人是成年人），大多数是在语言使用过程中自然形成的，如维特根斯坦说的“语义在于用法”【52】。后面我们会说明如何从用法即样本得到真值函数。

4）   实例可能以概率分布的形式出现——因为发信人看不清或测不准，他可能因此选择更加模糊的标签。比如说“小偷不是小孩”，“明天有小到中雨”。

优化语义通信方法主要有两种：

l  给定香农信道，让语义信道匹配香农信道，从而最大化语义信息；

l  给定语义信道，让香农信道匹配语义信道，从而最小化香农信息，提搞通信效率。

色觉传递色光的信息是类似的。色光是实例, 色觉是色光的符号或标签。 色觉通信也是标签通信。语义信道就是色光和色觉之间的对应关系，由分辨率函数或混淆概率函数确定。GPS定位圆圈、时钟指针、温度表读数……都可以看作是实例的符号或标签。

用一个用系动词“是”构成的命题, 比如“这是老年人”，就等价于一个标签“老年人”。一个有主谓宾结构的语句可看作三个标签的复合，比如“年轻人帮助老年人”，其外延是三个集合的直集中的模糊子集。所以，日常语言通信也可以看作是标签通信。

语义通信的本质是根据标签的外延预测（比如根据小偷是“年轻人”预测小偷在不同年龄上的概率分布），而不是根据条件概率预测。预测可能不准，因而需要事实检验。