語法和語義相結(jié)合的中文對(duì)話系統(tǒng)問題理解研究

黃沛杰，黃 強(qiáng)，吳秀鵬，吳桂盛，郭慶文，陳楠挺，陳楚萍

(華南農(nóng)業(yè)大學(xué) 信息學(xué)院，廣東 廣州 510642)

1 引言

問題理解是口語對(duì)話系統(tǒng)中的一個(gè)關(guān)鍵步驟，它的目標(biāo)是讓計(jì)算機(jī)自動(dòng)分析和理解人們用自然語言提出的問題，確定問題的語義組織方法、查詢策略和應(yīng)答的方式。只有在準(zhǔn)確理解用戶問題的情況下，系統(tǒng)才能較好地回答問題。然而由于中文的弱語法性，以及口語的特點(diǎn)，中文口語問句的表達(dá)多樣性給問題理解帶來了很大的挑戰(zhàn)。

國內(nèi)外已有的對(duì)話(聊天)機(jī)器人，如國外的ELIZA[1]、PARRY[2]和ALICE[3]，國內(nèi)的清華大學(xué)圖書館“小圖”[4]，機(jī)器人小I[5]，以及騰訊小Q等，這些系統(tǒng)可以與用戶進(jìn)行基于自然語言句子的交互，并已被廣泛應(yīng)用到機(jī)器助理，比如反恐支持平臺(tái)[6]、計(jì)算機(jī)輔助英語學(xué)習(xí)[7]和健康咨詢[8]等。然而，這些聊天機(jī)器人只能正確回應(yīng)極少數(shù)的問題，它們幾乎都是基于完全精確匹配或者很弱的模糊匹配的模版來搜索回答[9]。由于缺乏足夠的智力基礎(chǔ)[10]，并沒有真正“理解”用戶的問題。

基于自然語言理解技術(shù)的對(duì)話系統(tǒng)研究方面，從90年代初期DARPA發(fā)起的航線信息查詢系統(tǒng)(Airline Travel Information System，ATIS)項(xiàng)目開始，一般采用填槽法(Slot filling)或者叫填表法(Form filling)來實(shí)現(xiàn)語義理解。這些系統(tǒng)的語義表示是每個(gè)子任務(wù)(比如訂票、 查詢)采用一個(gè)框(Frame)，每個(gè)框有一些針對(duì)具體子任務(wù)預(yù)定義的槽(Slot)，這類系統(tǒng)中的問題理解就在于從用戶輸入句子中為一個(gè)給定的框中的每個(gè)槽 (比如目的地、出發(fā)日期) 提取填充的信息。一些系統(tǒng)采用了數(shù)據(jù)驅(qū)動(dòng)的統(tǒng)計(jì)方法，如AT&T的CHRONUS[11]和BBN的隱理解模型[12]，另一些則采用基于知識(shí)的方法如MIT的TINA[13]、CMU的Phoenix[14]和SRI的Gemini[15]。之后的研究推廣到了更為復(fù)雜的限定領(lǐng)域，包括導(dǎo)航系統(tǒng)[16]、導(dǎo)游系統(tǒng)[17-18]和信息查詢系統(tǒng)[19-21]等許多領(lǐng)域。研究者們還通過有限狀態(tài)自動(dòng)機(jī)的對(duì)話管理來引導(dǎo)槽信息的填充[22]，以及采用了自動(dòng)的語義槽信息填充技術(shù)[23]。上述的已有研究都促進(jìn)了問題理解研究領(lǐng)域的發(fā)展，然而他們主要著重在語義理解方面，試圖根據(jù)語義知識(shí)找到問題的目標(biāo)，仍然缺乏對(duì)中文口語對(duì)話系統(tǒng)中問句表達(dá)多樣性較為完整的解決方案，在較為復(fù)雜的限定領(lǐng)域，仍然不能很好地幫助系統(tǒng)像人一樣去回答。

要使得系統(tǒng)能像人一樣去回答，關(guān)鍵是要讓系統(tǒng)能像人一樣去理解用戶提出的問題。圖靈在1950年撰寫的論文 “Computing Machinery and Intelligence” 中提出兩個(gè)重要的思想[24]： 一個(gè)是智能的測試，即著名的“圖靈測試”；另一個(gè)是“創(chuàng)造和教育兒童機(jī)器” (具有兒童般能力的機(jī)器)。前一個(gè)思想受到廣泛的關(guān)注，而后一個(gè)則某種程度上被忽視了。這啟發(fā)我們研究兒童認(rèn)知和語言能力。通過觀察發(fā)現(xiàn)，對(duì)于3歲兒童而言，可以理解許多不同結(jié)構(gòu)的句子，能夠根據(jù)不同結(jié)構(gòu)的問題做出不同反應(yīng)，證明其信息提取和應(yīng)答方式是完善的，只遺留對(duì)某些具體內(nèi)容的不理解而出現(xiàn)偶爾回答不了的問題。但可以確定的是，即使因?yàn)轭I(lǐng)域語義知識(shí)的欠缺而給不出正確回答，多數(shù)情況下兒童也是理解對(duì)方是在問什么樣的問題。因此，我們認(rèn)為問句理解能力的基礎(chǔ)在于句型結(jié)構(gòu)(語法)，掌握了句型結(jié)構(gòu)之后，再通過學(xué)習(xí)，具備各種各樣的領(lǐng)域知識(shí)(語義)，就可以進(jìn)行某一知識(shí)領(lǐng)域的對(duì)話。

問題的焦點(diǎn)變成了： 如何得到這個(gè)基礎(chǔ)，也即是需要掌握的句型結(jié)構(gòu)。對(duì)此，當(dāng)代語言學(xué)的兩大流派——“形式主義語言學(xué)”和“認(rèn)知功能語言學(xué)”的觀點(diǎn)存在根本分歧。以喬姆斯基為代表的形式主義者認(rèn)為，語法是一個(gè)天生的、自足的系統(tǒng)，在使用中代入語義內(nèi)容。簡單來說，就是進(jìn)化為人類提供了一個(gè)特殊的功能強(qiáng)大的語言裝置[25-26]。認(rèn)知功能派的學(xué)者則認(rèn)為，語法和語義是密不可分的，語法是詞語內(nèi)容的結(jié)構(gòu)化，語義在很大程度上決定語法，他們認(rèn)為兒童是根據(jù)語義的關(guān)系習(xí)得語法。然而，不論是哪種觀點(diǎn)，就兒童如何具備一種特定的語言理解能力的問題而言，都還沒有完全研究透徹。

本文另辟途徑，回避了喬氏假說中的初始語言裝置是否存在的問題，同時(shí)也跳過了認(rèn)知功能派學(xué)者試圖采用語義去習(xí)得語法的困難。我們?cè)趯?duì)話系統(tǒng)中預(yù)置一個(gè)喬姆斯基假說的具體語言(中文)語法裝置，人工制造一個(gè)初始的語法庫，進(jìn)而采用基于語法的句子結(jié)構(gòu)理解和基于語義的信息提取相結(jié)合的方法實(shí)現(xiàn)問題理解。本文的方法被應(yīng)用到我們開發(fā)的中文手機(jī)導(dǎo)購對(duì)話系統(tǒng)。測試結(jié)果表明，該方法能有效地完成對(duì)話流程中的用戶問題理解。

本文后續(xù)章節(jié)如下： 第2節(jié)簡要介紹本文提出的問題理解方法的整體框架。第3節(jié)介紹本文的人工編制知識(shí)庫。第4節(jié)給出了基于語法的句型模式識(shí)別，以及語義方面的提取和組織。第5節(jié)給出了應(yīng)用運(yùn)行例子及測試結(jié)果。最后，第6節(jié)總結(jié)本文的工作并做簡要的展望。

2 系統(tǒng)框架

問題理解的整體框架如圖1所示。

圖1 問題理解整體框架

從語法的視角，我們首先設(shè)計(jì)了手工編制(Hand-crafted)的語法知識(shí)庫，包括句子壓縮規(guī)則庫和句型模式庫。然后通過句子壓縮模塊對(duì)復(fù)雜句子進(jìn)行簡化，只留下其結(jié)構(gòu)。進(jìn)而進(jìn)行句型模式識(shí)別，每個(gè)句型模式可唯一確定問題的語義組織方法、查詢策略和應(yīng)答方式。

從語義的視角，根據(jù)領(lǐng)域語義知識(shí)庫，從源句子中提取相應(yīng)的語義信息，進(jìn)而根據(jù)識(shí)別到的句型模式所對(duì)應(yīng)的知識(shí)組織方法進(jìn)行語義知識(shí)組織，完成對(duì)問句的理解。

3 人工編制的知識(shí)庫

語法知識(shí)庫是獨(dú)立于領(lǐng)域和應(yīng)用方向的語言學(xué)規(guī)則組件，在轉(zhuǎn)移應(yīng)用目標(biāo)時(shí)候，基本可以保持不變；領(lǐng)域語義知識(shí)庫是在語言學(xué)之上針對(duì)領(lǐng)域和應(yīng)用的信息抽取，在擴(kuò)展到其它應(yīng)用時(shí)，需要重新編寫。

3.1 語法知識(shí)庫

句子是無限的，而結(jié)構(gòu)是有限的，多樣化的句子表達(dá)可以被有限的經(jīng)過良好設(shè)計(jì)的句型模式覆蓋到。下面的問句具有同樣的核心句子結(jié)構(gòu)。

? 有什么手機(jī)？

? 有哪款手機(jī)？

? 有什么2 000塊左右的手機(jī)？

? 有什么2 000塊以下的大屏幕的手機(jī)？

? 有哪些觸屏手機(jī)？

? 有什么輸入方式？

通過句子壓縮，多樣化的用戶輸入可以被消除，統(tǒng)一歸類到一個(gè)簡單的句子結(jié)構(gòu)“有+什么/哪款/哪些…+手機(jī)/輸入方式…”，或者進(jìn)一步符號(hào)化為“VP+～+NP”。 這需要兩個(gè)語法知識(shí)庫的支持，句型模式庫以及支持句子壓縮的句子壓縮規(guī)則庫。

(1) 句型模式庫

由于中文不像英文那樣疑問詞基本上就代表了問句的分類，構(gòu)造一個(gè)能有效代表特定問句類型的問句類型模式庫是一個(gè)挑戰(zhàn)。本文采用了4元句型模式{疑問句類別，疑問詞類別，疑問詞短語，問句結(jié)構(gòu)}來標(biāo)示一個(gè)特定的問句類型。前面所有問句例子所對(duì)應(yīng)的統(tǒng)一的句型模式是{特指問，什么，什么/哪*，VP+～+NP}，其中“～”代表疑問詞短語。值得注意的是，采用4.1.2小節(jié)介紹的句型模式識(shí)別算法，一些口語化省略的問句，比如“有什么2 000塊左右的？”也可以識(shí)別為上述句型模式。這體現(xiàn)了本文設(shè)計(jì)方案的健壯性，使用有限的句型模式就能取得良好的應(yīng)用效果 (我們目前的手機(jī)導(dǎo)購對(duì)話系統(tǒng)只用了30個(gè)句型模式，覆蓋特指問、正反問、是非問和選擇問等四類疑問句類別)。

(2) 句子壓縮規(guī)則庫

句子壓縮規(guī)則用于實(shí)現(xiàn)源句子到目標(biāo)句子的轉(zhuǎn)換，是對(duì)幾百個(gè)問題例子的分析后得到。目前的應(yīng)用系統(tǒng)采用相對(duì)保守的句子壓縮策略(壓縮不完全會(huì)影響后續(xù)句型模式識(shí)別的得分，但可以避免一些由于錯(cuò)誤壓縮導(dǎo)致的匹配失敗)，共有16條規(guī)則，可以覆蓋到一些常用的漢語句子壓縮情況。我們采用基于語法樹形式的句子壓縮算法，句子壓縮規(guī)則 (NP (DNP, NP1))->NP(NP1)表示由一個(gè)DNP和一個(gè)NP組成的NP可以縮掉其中的DNP。

3.2 領(lǐng)域語義知識(shí)庫

對(duì)話系統(tǒng)中的領(lǐng)域語義信息包括基本語義知識(shí)和評(píng)價(jià)性語義知識(shí)。當(dāng)前系統(tǒng)的手機(jī)銷售領(lǐng)域的基本語義知識(shí)共有77個(gè)屬性，這些屬性是參考主流電子商務(wù)網(wǎng)站上的手機(jī)信息選定的，表1是當(dāng)前系統(tǒng)中的基本語義知識(shí)片段。

表1 基本語義知識(shí)片段

基本語義知識(shí)覆蓋多種不同的知識(shí)，以價(jià)格屬性為例，包括：

(1) 概念性知識(shí)： “價(jià)格”，“價(jià)錢”，“價(jià)位”，“多少錢”，“多少塊錢”，“多少元錢”；

(2) 定性知識(shí)： “便宜[0,1 000)”，“一般/適中/普通[1 000,2 000)”，“較高/貴[2 000,)”；

(3) 定量知識(shí)： 又可以進(jìn)一步細(xì)分為兩種：

? 概數(shù)知識(shí)： “以上/大于”，“以下/小于”，“左右/大概”，“不超過”，“少/低/便宜一點(diǎn)”，“高/貴一點(diǎn)”；

? 確數(shù)知識(shí)： “數(shù)字(0<=數(shù)字<20 000)+塊/元”，“數(shù)字(0<=數(shù)字<20 000)+到+數(shù)字(0<=數(shù)字<20 000)”。

評(píng)價(jià)性語義知識(shí)則是參考主流電子商務(wù)網(wǎng)站用戶反饋信息以及調(diào)研一些手機(jī)實(shí)體店的銷售過程制定，當(dāng)前系統(tǒng)中共有11個(gè)屬性，表2是評(píng)價(jià)性語義知識(shí)片段。

表2 評(píng)價(jià)性語義知識(shí)片段

4 語法和語義相結(jié)合的問題理解

4.1 基于語法的句型模式識(shí)別

4.1.1 句子壓縮

句子壓縮被應(yīng)用于消除用戶輸入中的多樣性修飾成分。給定一個(gè)輸入句子x=x1,x2,…,xn，句子

壓縮通過去除其中的一些詞得到目標(biāo)句子y[27]。本文句子壓縮的目標(biāo)是保留句子的重要結(jié)構(gòu)信息。本文使用斯坦福大學(xué)的句法分析器(Stanford Parser)[28]構(gòu)建語法樹，進(jìn)而借鑒近年來應(yīng)用于機(jī)器翻譯和文檔摘要中的一些處理技術(shù)進(jìn)行基于句子語法結(jié)構(gòu)的句子壓縮[29-30]。圖2給出了算法偽代碼。算法中，當(dāng)前匹配節(jié)點(diǎn)對(duì)是指在兩棵樹中，當(dāng)前嘗試用規(guī)則匹配改寫的節(jié)點(diǎn)對(duì)。規(guī)則為三元組，(源樹模板st，改寫后的樹vt，對(duì)稱節(jié)點(diǎn)組～)，其中～代表st，vt的兒子中，句子成份一致的節(jié)點(diǎn)對(duì)[(cs1, ct1), (cs2, ct2), (cs3, None)…]。

圖2 句子壓縮算法

4.1.2 句型模式識(shí)別

句型模式識(shí)別的算法流程如圖3所示。

圖3 句型模式識(shí)別算法

由于Stanford Parser 在中文詞性標(biāo)注上不夠準(zhǔn)確，在上述算法的第1步，我們采用了中科院的漢語詞法分析系統(tǒng)ICTCLAS[31]對(duì)縮句后句子進(jìn)行重標(biāo)注。在句型模式的4元結(jié)構(gòu){疑問句類別，疑問詞類別，疑問詞短語，問句結(jié)構(gòu)}中，由于疑問詞類別不起識(shí)別作用，在進(jìn)行句型模式識(shí)別時(shí)，壓縮后的疑問句和句型模式庫中的句型模式從疑問句類別、疑問詞短語和問句結(jié)構(gòu)3方面計(jì)算綜合相似度。

問句結(jié)構(gòu)相似度計(jì)算的算法，是基于編輯距離算法[32]的擴(kuò)展。主要特點(diǎn)是，給每種操作賦予不同的權(quán)值得分，以算出最后的最高得分。算法流程如圖4所示。

圖4 問句結(jié)構(gòu)相似度計(jì)算算法

1.a)—1.d)行針對(duì)不同的詞性標(biāo)注α，會(huì)有不同的得分權(quán)重，例如，對(duì)于語氣詞、副詞、標(biāo)點(diǎn)符號(hào)等詞性標(biāo)注的得分權(quán)重就會(huì)稍低，對(duì)于名詞、動(dòng)詞和疑問詞的權(quán)重就會(huì)稍高；在2和3行，最高的分?jǐn)?shù)基于編輯距離算法計(jì)算得到；3—4行是為了讓得分變成百分制。

4.2 語義知識(shí)組織

4.2.1 語義信息提取

語義信息提取是語義知識(shí)理解的第一步，我們采用如圖5所示的語義信息提取流程[33]。

圖5 語義信息提取流程

系統(tǒng)對(duì)用戶的輸入進(jìn)行正則表達(dá)式匹配和提取，接著判斷所提取的信息是否存在歧義，如果存在，則進(jìn)行消歧，包括單句消歧和上下文消歧，若最終仍存在歧義，則可進(jìn)行反問，否則生成語義單元序列。比如源句子“有什么2 000塊以下的大屏幕的手機(jī)？”，通過單句消歧，借助“塊”、“屏幕”等信息，排除了“上市日期”和“RAM容量”等屬性的干擾，提取到的信息是 “價(jià)格： 2 000塊，以下；主屏尺寸： 屏幕，大”。

4.2.2 語義知識(shí)組織

提取到的語義信息進(jìn)一步根據(jù)識(shí)別到的句型模式所對(duì)應(yīng)的知識(shí)組織方式進(jìn)行組織。不同的句型模式可以具有不同的組織方式。下面兩個(gè)例子分別是特指問和選擇問：

? 源句子1： 有什么2 000塊以下的大屏幕的手機(jī)？

語義知識(shí)組織： “價(jià)格： 2 000塊，以下”與“主屏尺寸： 屏幕，大”。

? 源句子2： 這款手機(jī)是直板的還是翻蓋的？

語義知識(shí)組織： “外觀設(shè)計(jì)： 直板”或“外觀設(shè)計(jì)： 翻蓋”。

通常具有相同疑問句類別的句型模式具有相同的語義知識(shí)組織方式。

5 應(yīng)用測試

為了驗(yàn)證本文提出的問題理解方法的效果，我們實(shí)現(xiàn)了一個(gè)中文手機(jī)導(dǎo)購系統(tǒng)原型，如圖6所示。手機(jī)導(dǎo)購屬于信息咨詢類中較為復(fù)雜的網(wǎng)上商品銷售咨詢限定領(lǐng)域。對(duì)話記錄作為背景保留在頁面上，方便用戶查閱對(duì)話的上下文。

圖6 系統(tǒng)界面

5.1 應(yīng)用例子

圖7是一個(gè)開發(fā)人員測試的應(yīng)用例子。第(8)、(10)和(12)行的用戶輸入是疑問句?？梢钥吹奖疚牡姆椒芾斫獠煌愋偷挠脩魡柧?，幫助對(duì)話系統(tǒng)完成導(dǎo)購流程。

圖7 中文手機(jī)導(dǎo)購系統(tǒng)的一個(gè)運(yùn)行例子

5.2 測試及分析

我們?cè)趯?shí)現(xiàn)的中文手機(jī)導(dǎo)購對(duì)話系統(tǒng)中進(jìn)行了外部測試。測試人員是6名學(xué)生志愿者，每位測試者測試3段，共18段對(duì)話。這些測試人員只知道系統(tǒng)的功能是手機(jī)導(dǎo)購，對(duì)系統(tǒng)的實(shí)現(xiàn)細(xì)節(jié)并不知情，這樣可確保測試的真實(shí)性和自然性。測試結(jié)果如表3所示。

表3 測試結(jié)果

18段對(duì)話的平均回合數(shù)為13.6，每段對(duì)話用戶疑問句平均次數(shù)為5.3，表明了導(dǎo)購流程中用戶主動(dòng)發(fā)問的比例還是比較高。從最大和最小的疑問句數(shù)分別是11和0也可以看出測試者的差異性很大，有的主動(dòng)發(fā)問很多，有的傾向于依賴系統(tǒng)的引導(dǎo)。在總共96個(gè)用戶疑問句中，正確理解(語義提取和句型模式識(shí)別都正確)的個(gè)數(shù)占87.5%，包括許多帶有冗余修飾和口語化省略情況的問句(部分省略過于嚴(yán)重的問句，如“內(nèi)存呢？”，通過上下文理解補(bǔ)充缺失句子成分解決)，表明本文方法能有效地完成中文口語對(duì)話流程中用戶問題理解。

經(jīng)過對(duì)結(jié)果的逐個(gè)分析發(fā)現(xiàn)，96個(gè)問句分屬12個(gè)不同的句型模式。有18個(gè)句型模式在測試中沒有出現(xiàn)。選擇問和正反問出現(xiàn)頻率很低。問句在12個(gè)出現(xiàn)的句型中的分布也很不均勻，出現(xiàn)最多的3個(gè)句型占了總數(shù)的一半以上，分別是特指問的“NP+～” 句子結(jié)構(gòu)(如“像素多高？”)和 “VP+～+NP” 句子結(jié)構(gòu)(如“有什么顏色可以選？”)，以及是非問的“VP+NP+～” 句子結(jié)構(gòu)(如“是安卓嗎？”)這也體現(xiàn)了導(dǎo)購類信息咨詢對(duì)話的特點(diǎn)。

未能被正確理解的12個(gè)問句的錯(cuò)誤分類如表4所示。

表4 錯(cuò)誤分類

從表4可以看到，目前的理解錯(cuò)誤有一半是因?yàn)轭I(lǐng)域語義知識(shí)庫或者疑問詞列表還不夠完善導(dǎo)致。除此之外有25%屬于分詞或標(biāo)注錯(cuò)誤引起，由于是依賴外部工具完成，這部分錯(cuò)誤未來相對(duì)較難降低。由于疑問詞或其他句子成分移位的問題較難解決，未來計(jì)劃通過基于規(guī)則的同步樹替換算法，并在規(guī)則使用時(shí)采用基于統(tǒng)計(jì)的輔助判斷嘗試解決這個(gè)問題。

具體的錯(cuò)誤分析如下：

(1) 用戶輸入預(yù)處理錯(cuò)誤： 用戶輸入“這款多貴？”，在預(yù)處理模塊，“多貴”沒有轉(zhuǎn)成“多少錢”，結(jié)果造成語義提取失敗。

(2) 分詞或詞性標(biāo)注錯(cuò)誤： 用戶輸入“是什么操作系統(tǒng)？”，由于分詞模塊沒有分出專有名詞“操作系統(tǒng)”，導(dǎo)致“操作”被句子壓縮模塊縮掉，變成“是什么系統(tǒng)？”，而后的詞性標(biāo)注錯(cuò)把“系統(tǒng)”標(biāo)注為“ADJP”，導(dǎo)致句型模式識(shí)別錯(cuò)誤。另外兩個(gè)用戶輸入“它裝的什么系統(tǒng)？”和“有沒有塞班操作系統(tǒng)的？”也是同樣的詞性標(biāo)注問題導(dǎo)致理解錯(cuò)誤。

(3) 疑問詞識(shí)別錯(cuò)誤： 用戶輸入“最便宜的手機(jī)是哪一部？”則由于特指問疑問詞“哪一部”沒有被加到疑問詞短語列表里，未能被識(shí)別到。

(4) 領(lǐng)域語義知識(shí)欠缺： 用戶輸入“還有別的嗎？”、“還有呢？”、“沒有對(duì)嗎？”、“沒有htc嗎？”由于目前領(lǐng)域語義知識(shí)庫還沒有考慮 “其他”、“別的”、 “還有”、“沒有”之類的詞作為有效語義處理，因此沒能正確理解用戶問句。在未來工作中，計(jì)劃加入這類語義，再結(jié)合語義提取中的上下文消歧就可以確定用戶問的是別的什么或者沒有什么。另外一例由于語義提取問題導(dǎo)致理解錯(cuò)誤的是用戶輸入“耐摔嗎？”這類評(píng)價(jià)性語義需要在測試中逐漸完善。

(5) 疑問詞或其他句子成分移位： 用戶輸入“蘋果手機(jī)有什么好推薦的嗎？”，由于出現(xiàn)疑問詞移位的情況，未能匹配上目標(biāo)句子結(jié)構(gòu)“VP+～+NP”。如果是“有什么蘋果手機(jī)好推薦的嗎？”，則經(jīng)過預(yù)處理去除“好推薦的”，以及經(jīng)過句子壓縮去掉“蘋果”之后，就可以識(shí)別為特指問類型中的句子結(jié)構(gòu)“VP+～+NP”。用戶輸入“小米手機(jī)，有嗎？”同樣是因?yàn)槌霈F(xiàn)句子成分VP(“有”)移位情況，未能識(shí)別為是非問類型中的句子結(jié)構(gòu)“VP+NP+～”(如“有小米手機(jī)嗎？”)。

6 結(jié)束語

本文針對(duì)中文口語問句的表達(dá)多樣性給對(duì)話系統(tǒng)問題理解造成的困難，提出了一種語法和語義相結(jié)合的口語對(duì)話系統(tǒng)問題理解方法，并在我們開發(fā)的中文手機(jī)導(dǎo)購系統(tǒng)上測試，取得了較好的測試效果。本文提出的方案中的人工編制語法知識(shí)庫，雖然在構(gòu)建時(shí)客觀上需要專家的指導(dǎo)，本文測試表明，目前有限的句子壓縮規(guī)則(16條)和問句類型模式(30個(gè))，已經(jīng)能夠較好地完成手機(jī)導(dǎo)購領(lǐng)域的問題理解，后續(xù)在進(jìn)一步測試時(shí)可以方便地?cái)U(kuò)充完善。并且由于獨(dú)立于領(lǐng)域，在轉(zhuǎn)移到同為導(dǎo)購類的其他應(yīng)用目標(biāo)的時(shí)候，語法知識(shí)庫可預(yù)期基本保持不變(還有待在開發(fā)新應(yīng)用時(shí)檢驗(yàn))。另一方面，由于采用了“在語法結(jié)構(gòu)之上獲取語義知識(shí)”設(shè)計(jì)理念，某一特定業(yè)務(wù)的專業(yè)領(lǐng)域語義知識(shí)，可以被相對(duì)獨(dú)立地設(shè)計(jì)和加載到對(duì)話系統(tǒng)，使得本文的研究具備良好的業(yè)務(wù)(專業(yè)領(lǐng)域)可擴(kuò)展性，可以很方便地?cái)U(kuò)展應(yīng)用到一個(gè)新的業(yè)務(wù)領(lǐng)域的問題理解。未來工作是研究如何處理漢語句子的移位表達(dá)；以及通過更大范圍的測試，進(jìn)一步完善語法知識(shí)庫和領(lǐng)域語義知識(shí)庫；并探索一定的智能學(xué)習(xí)機(jī)制，如采用基于事例的推理(CBR)方法，研究特定限定領(lǐng)域?qū)υ捪到y(tǒng)在預(yù)置的語法知識(shí)庫和領(lǐng)域語義知識(shí)庫的基礎(chǔ)上，如何在持續(xù)開展的測試和應(yīng)用中實(shí)現(xiàn)自適應(yīng)的修改和擴(kuò)充。

[1] Weizenbaum J. ELIZA-A computer program for the study of natural language communication between man and machine[J]. Communications of the ACM, 1966, 9(1): 36-45.

[2] Colby K M, Weber S, Hilf F D. Artificial paranoia[J]. Artificial Intelligence, 1971, 2(1): 1-25.

[3] Wallace R S. The Anatomy of A.L.I.C.E. [EB/OL], A.L.I.C.E. Artificial Intelligence Foundation Inc., 2004.

[4] 清華大學(xué)圖書館智能機(jī)器人小圖[EB/OL]. http://166.111.120.164: 8081/programd/

[5] 小I機(jī)器人[EB/OL]. http://www.xiaoi.com/index.html

[6] Schumaker R P， Chen H. Leveraging question answer technology to address terrorism inquiry[J]. Decision Support Systems, 2007, 43(4): 1419-1430.

[7] Jia J Y. CSIEC: A computer assisted English learning chatbot based on textual knowledge and reasoning[J]. Knowledge-Based Systems, 2009, 22 (4): 249-255.

[8] Crutzen R, Peters G Y, Portugal S D, et al. An artificially intelligent chat agent that answers adolescents’ questions related to sex, drugs, and alcohol: An exploratory study[J]. Journal of Adolescent Health, 2011, 48(5): 514-519.

[9] Huang J Z, Zhou M, Yang D. Extracting chatbot knowledge from online discussion forums[C]//Proceedings of the 20thInternational Joint Conference on Artificial Intelligence (IJCAI 2007), Hyderabad, India, January 2007： 423-428.

[10] Russell R S. Language Use, Personality and True Conversational Interfaces[R]. Project Report, AI and CS, University of Edinburgh, Edinburgh, 2002.

[11] Pieraccini R, Tzoukermann E, Gorelov Z, et al. A speech understanding system based on statistical representation of semantics[C]//Proceedings Int. Conf. on Acoustics, Speech and Signal Processing (ICASSP 1992), San Francisco, CA.

[12] Miller S, Bobrow R, Ingria R, et al. Hidden understanding models of natural language[C]//Proceedings of the Annual Meeting of the Association for Computational Linguistics (ACL 1994), Las Cruces, NM.

[13] Seneff S. TINA: a natural language system for spoken language applications[J]. Computational Linguistics, 1992, 18 (1)： 61-86.

[14] Ward W, Issar S. Recent improvements in the CMU spoken language understanding system[C]//Proceedings of the ARPA Human Language Technology Conference (HLT 1994) Workshop. 1994：213-216.

[15] Dowding J, Gawron J M, Appelt D, et al. Gemini: a natural language system for spoken language understanding[C]//Proceedings of the ARPA Workshop on Human Language Technology, Princeton, NJ，1993.

[16] 黃寅飛, 鄭方, 燕鵬舉, 等. 校園導(dǎo)航系統(tǒng)EasyNav的設(shè)計(jì)與實(shí)現(xiàn)[J].中文信息學(xué)報(bào), 2001, 15(4): 35-40.

[17] 何偉, 李紅蓮, 袁保宗, 等. 基于對(duì)話回合衰減的cache語言模型在線自適應(yīng)研究[J].中文信息學(xué)報(bào), 2003, 17(5): 41-47.

[18] Pappu A, Rudnicky A. The Structure and Generality of Spoken Route Instructions[C]//Proceedings of the 13thSIGdial Workshop on Discourse and Dialogue, 2012： 99-107.

[19] Zue V, Seneff S, Glass J, et al. JUPITER: a telephone-based conversational interface for weather information[J]. IEEE Transactions on Speech and Audio Processing, 2000, 8(1): 85-96.

[20] 劉蓓, 杜利民, 于水源. 面向任務(wù)口語對(duì)話系統(tǒng)中期待模型的實(shí)現(xiàn)算法[J].電子與信息學(xué)報(bào), 2004, 26(11): 1721-1727.

[21] 張琳, 高峰, 郭榮, 等. 漢語股票實(shí)時(shí)行情查詢對(duì)話系統(tǒng)[J]. 計(jì)算機(jī)應(yīng)用, 2004, 24(7): 61-63.

[22] 黃民烈, 朱小燕. 對(duì)話管理中基于槽特征有限狀態(tài)自動(dòng)機(jī)的方法研究[J]. 計(jì)算機(jī)學(xué)報(bào), 2004, 27 (08): 1092-1101.

[23] Chen Y N, Wang W Y, and Rudnicky A I. Unsupervised Induction and Filling of Semantic Slots for Spoken Dialogue Systems using Frame-Semantic Parsing[C]//Proceedings of the 2013 IEEE Workshop on Automatic Speech Recognition and Understanding (ASRU), 2013.

[24] Turing A M. Computing Machinery and Intelligence[M]. Washington: Publishing House of Electronics Industry, 1950: 5-23.

[25] Chomsky N. The Minimalist Program. Cambridge[M], Mass: MIT Press, 1995.

[26] Chomsky N. Three factors in language design[J]. Linguistic Inquiry, 2005, 36(1): 1-22.

[27] Knight K, Marcu D. Summarization beyond sentence extraction: a probabilistic approach to sentence compression[J]. Artificial Intelligence, 2002, 139 (1): 91-107.

[28] Levy R, Manning C D. Is it harder to parse Chinese, or the Chinese Treebank? [C]//Proceedings of the 41th Annual Meeting of the Association for Computational Linguistics (ACL 2003), 2003: 439-446.

[29] Cohn T, Lapata M. Sentence compression as tree transduction[J]. Journal of Artificial Intelligence Research, 2009, 34(1): 637-674.

[30] Cohn T, Lapata M. An Abstractive Approach to Sentence Compression[J]. ACM Transactions on Intelligent Systems and Technology, 2013, 4(3): 1-35.

[31] Zhang H P, Yu H K, Xiong D Y, et al. HHMM-based Chinese lexical analyzer ICTCLAS[C]//Proceedings of the Second SIGHAN Workshop Affiliated with the 41 Annual Meeting of the Association for Computational Linguistics (ACL 2003), 2003, 184-187.

[32] Ristad E S, Yianilos P N. Learning string-edit distance[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(5): 522-532.

[33] 林仙茂, 黃沛杰, 楊德, 等. 中文手機(jī)導(dǎo)購對(duì)話系統(tǒng)中的語義信息提取[J]. 現(xiàn)代計(jì)算機(jī), 2014, (04): 52-55.