基于多級知識表示結構的英語動詞同形區(qū)分方法

付本靜

摘 要：為了實現(xiàn)英語動詞同形區(qū)分，提出基于多級知識表示結構的英語動詞同形區(qū)分方法.構建英語動詞同形語義結構模型，采用語義本體特征構造方法進行英語動詞同形語義特征表達，提取英語動詞的語義相關性特征量，結合屬性聚類分析方法進行英語動詞的同形特征演化分析，采用簡單子句歸結法進行英語動詞同形區(qū)分過程中的最佳語法分析和同形特征校驗，采用多級知識表示結構進行英語動詞同形區(qū)分，結合語義相關度分析方法進行英語動詞同形區(qū)分的語法分析和語義邏輯分析，建立英語動詞同形區(qū)分的語義多級知識表達模型，在最佳語法分析方案下實現(xiàn)英語動詞同形區(qū)分.仿真測試結果表明，采用該方法進行英語動詞同形區(qū)分的適應度較高，區(qū)分的準確性較高.

關鍵詞：多級知識表示;結構;英語;動詞;同形區(qū)分;語義

中圖分類號：TP391? 文獻標識碼：A? 文章編號：1673-260X（2020）01-0041-04

當前，隨著英語動詞同形特征的相似度越來越高，在進行英語學習和機器翻譯設計中，需要重點進行英語動詞同形區(qū)分，結合自然語言處理的方法，進行英語動詞同形結構區(qū)域，建立英語動詞同形多級知識結構模型，結合語義領域的本體模型設計方法，進行英語動詞同形區(qū)分，利用英語動詞同形分布，進行英語動詞的多級知識結構表達，提高英語動詞的詞匯表達能力，相關的英語動詞同形區(qū)分方法研究受到人們的極大關注[1].對英語動詞同形區(qū)分是建立在語義特征提取基礎上，結合英語動詞同形分布，進行語義相似度特征提取，建立英語動詞同形分布狀態(tài)特征量，針對語法分析方法，進行英語動詞同形區(qū)分和多級知識表示，本文提出基于多級知識表示結構的英語動詞同形區(qū)分方法[2].構建英語動詞同形語義結構模型，采用多級知識表示結構進行英語動詞同形區(qū)分，結合語義相關度分析方法進行英語動詞同形區(qū)分的語法分析和語義邏輯分析，建立英語動詞同形區(qū)分的語義多級知識表達模型，實現(xiàn)英語動詞同形區(qū)分，最后進行仿真測試分析，得出有效性結論.

1 英語動詞同形語義結構模型及特征表達

1.1 英語動詞同形語義結構模型

為了實現(xiàn)基于多級知識表示結構的英語動詞同形區(qū)分，需要首先構建英語動詞同形語義結構模型，采用語義本體特征構造方法進行英語動詞同形特征分離[3]，假設英語動詞同形CS有m種不同的語法表達結構，如圖1所示.

根據(jù)圖1的英語動詞同形語義結構分布，采用多元特征分布模型進行語法規(guī)則重建，建立語義相關性特征分布模型，采用權重約束方法，得到英語動詞同形語義結構特征分布集，結合模糊度檢測的方法，得到英語動詞同形狀態(tài)特征量，在語義方案Ai的情況下：假設英語動詞同形狀態(tài)分布集V為謂語中心詞，英語動詞的分級特征量S為V，O為V的承受者，在最大語義相關度約束下，用Wi是表示英語語句中的動詞Wi，動詞的多級知識結構為S、V，WGi是Wi的英語動詞同形特征語義修飾目標，那么，英語動詞同形狀態(tài)分布的相關度為fAi，針對語法分析方案Ai，可以得到英語動詞同形狀態(tài)分布集：

fAi=KSVO*（match（S，V）+match（O，V））

用S和O表示英語動詞同形特征分布的語義修飾特征集，得到英語動詞區(qū)分的目標函數(shù)集為V，n是實詞的個數(shù).

設英語動詞同形特征分布的實數(shù)集為β∈[0，T]，在英語動詞同形語言評價集S中，采用語法樹分析方法，建立英語動詞同形多級知識表達模型， 其中T為語言評價集S中元素的個數(shù)，采用最小屬性特征劃分的方法，進行英語動詞同形結構組合分析，得到語義信息分布狀態(tài)特征量為：

？駐：[0，T]→S×[-0.5，0.5]? （2）

即? ？駐（？茁）=sk，K=round（？茁）ak=？茁-k，ak∈[-0.5，0.5）? （3）

其中，round為四舍五入取整算子.結合標準的語法量化集進行自適應尋優(yōu)[4]，得到英語動詞同形狀態(tài)特征量為m，對不同語法樹進行標準集區(qū)分，得到語義邏輯語法樹結構模型為：

Ai=argmax（fAi）? （4）

建立不同的參數(shù)值組合，采用分段劃分的方法，將多級知識結構特征分為AB、AA或PD，在英語動詞的特征分布集中得到，AB+S（或O）、AA+S（或O）、PD+V等簡單語義集，采用語義本體特征構造方法進行英語動詞同形語義特征表達，假定L的語義結構為：L→AAPDAB.根據(jù)上述分析，構建了英語動詞同形語義結構模型.

1.2 英語動詞的語義相關性特征量提取

在上述構建英語動詞同形語義結構模型的基礎上，采用語義本體特征構造方法進行英語動詞同形語義特征表達，設{（s1，a1），（s2，a2），…，（sn，an）}是一組二元語義信息，在全局極值最優(yōu)尋優(yōu)狀態(tài)下，得到相應的權重向量為ω=（（ω1，a1′），（ω2，a2′），…，（ωn，an′））T，ωj∈[0，1]，建立不同的參數(shù)值組合，得到英語動詞的分級動態(tài)二元語義組合[5]，構建加權算術平均算子φ2定義為：

其中，英語動詞同形狀態(tài)集被劃分為連續(xù)的語義單元，為∑■■？棕j，s∈S，a∈[-0.5，0.5].根據(jù)上述分析，得到語義單元劃分結果如圖2所示.

采用有向圖模型，進行英語動詞同形狀態(tài)分布式重構，在全局極值高度尋優(yōu)下[6]，得到語法樹模型如圖3所示.

對英語動詞同形區(qū)分的綜合評價矩陣為R=（rij，aij）m×n，多級知識表示的指標權重W=（（？棕1，？茁1），（？棕2，？茁2），…，（？棕n，？茁n）），采用模糊度尋優(yōu)方法對語法樹進行歸一化處理，得到：

在有向圖模型中，得到標準化綜合評價矩陣X=（xij，aij′）m×n和指標權重W=（（？棕2′，？茁2′），（？棕2′，？茁1′），…，（？棕n′，？茁n′））.在此基礎上，結合屬性聚類分析方法進行英語動詞的同形特征演化分析，進行英語動詞的同形區(qū)分表達.

2 英語動詞同形區(qū)分優(yōu)化

2.1 同形特征校驗

結合屬性聚類分析方法進行英語動詞的同形特征演化分析，采用簡單子句歸結法進行英語動詞同形區(qū)分過程中的最佳語法分析和同形特征校驗[7]，最佳語法分析的量化特征集分別為：

對英語動詞同形區(qū)分結構進行無量綱化處理，采用灰度分析的方法，建立英語動詞同形區(qū)分的特征分布式提取模型，表示為：

建立不同的參數(shù)值組合，計算英語動詞的同形相對貼近度，確定合理的權重系數(shù)，得到多級知識結構表達模型分別為：

式中，Ti為英語動詞同形特征分布的相對貼近度，Yi為英語動詞同形分布的多級知識結構模型.

采用統(tǒng)計分析的方法，定義英語動詞同形特征分布的相對貼近度模型為：

Qi=xTi+yYi，x+y=1? （12）

式中，x和y反映簡單語義單元特征集，即，x與y的值反映英語動詞同形特征分布的偏好度，采用模糊聚類分析的方法，進行同形特征校驗[8].

2.2 多級知識表示結構分析及同形區(qū)分

采用多級知識表示結構進行英語動詞同形區(qū)分，結合語義相關度分析方法進行英語動詞同形區(qū)分的語法分析和語義邏輯分析[9]，構建語言評價集S，即S={s0=EP（語義相關度非常差），s1=VP（語義相關度很差），s2=P（語義相關度差），s3=M（語義相關度中等），s4=G（語義相關度好），s5=VG（語義相關度很好），s6=EG（語義相關度非常好）}，得到英語動詞同形區(qū)分的動態(tài)標權重矩陣分別為

建立不同的參數(shù)組合策略[10]，進行英語動詞同形區(qū)分.綜上分析，得到算法的實現(xiàn)流程如圖4所示.

3 仿真實驗與結果分析

為了驗證本文方法在實現(xiàn)英語動詞同形區(qū)分中的應用性能，進行實驗測試分析，英語動詞同形區(qū)分的參數(shù)決策指標分布見表1.

根據(jù)上述參數(shù)尋優(yōu)結果，結合屬性聚類分析方法進行英語動詞的同形特征演化分析，得到優(yōu)化動詞同形區(qū)分結果見表2.

采用簡單子句歸結法進行英語動詞同形區(qū)分過程中的最佳語法分析和同形特征校驗，測試區(qū)分的準確性，得到結果如圖5所示.

分析上述仿真結果得知，采用該方法進行英語動詞同形區(qū)分的適應度較高，區(qū)分的準確性較高.

4 結語

建立英語動詞同形多級知識結構模型，結合語義領域的本體模型設計方法，進行英語動詞同形區(qū)分，本文采用語義本體特征構造方法進行英語動詞同形特征分離，在最大語義相關度約束下，采用最小屬性特征劃分的方法，進行英語動詞同形結構組合分析，采用簡單子句歸結法進行英語動詞同形區(qū)分過程中的最佳語法分析和同形特征校驗，采用多級知識表示結構進行英語動詞同形區(qū)分，結合語義相關度分析方法進行英語動詞同形區(qū)分的語法分析和語義邏輯分析，在最佳語法分析方案下實現(xiàn)英語動詞同形區(qū)分.分析得知，采用本文方法進行英語動詞同形區(qū)分的適應度較高，區(qū)分的準確性較高，具有很好的應用價值.

參考文獻：

〔1〕周孝青，段湘煜，俞鴻飛，張民.多層信息融合的神經(jīng)機器翻譯[J].廈門大學學報（自然科學版），2019，58（02）：149-157.

〔2〕王卓，余正濤，文永華，高盛祥，吳飛.融合詞匯翻譯概率的漢越神經(jīng)機器翻譯方法[J].昆明理工大學學報（自然科學版），2019，44（01）：54-60.

〔3〕于超，王璐，程道文.基于本體的教育資源語義檢索系統(tǒng)研究[J].吉林大學學報（信息科學版），2018，36（02）：207-212.

〔4〕吳飛龍，程承旗，陳波，等.基于剖分網(wǎng)格的多源資源環(huán)境數(shù)據(jù)統(tǒng)一檢索方法[J].武漢大學學報（信息科學版），2017，42（07）：943-949.

〔5〕燕蜻.基于二元語義的電子商務網(wǎng)站評價研究[J].圖書情報工作，2010，54（10）：139-142.

〔6〕龐錦平，陳永亮，劉譜等.立式磨床橫梁結構優(yōu)先設計與比較研究-基于模糊綜合評價法、TOPSIS法和灰色關聯(lián)分析法[J].工程設計學報，2013，20（2）：89-95.

〔7〕阮詩蕓.中國網(wǎng)絡文學的海外傳播對翻譯研究的啟示[J].燕山大學學報（哲學社會科學版），2019，20（01）：11-18.

〔8〕吳江，唐常杰，李太勇，崔亮.基于語義規(guī)則的Web金融文本情感分析[J].計算機應用，2014，34（2）：481-485.

〔9〕余傳明，馮博琳，田鑫，安璐.基于深度表示學習的多語言文本情感分析[J].山東大學學報（理學版），2018，53（03）：13-23.

〔10〕安靜.基于依存句法分析與序列標注的英文長句機器翻譯[J].蘭州理工大學學報，2018，44（01）：100-103.