基于依存關(guān)系的自然語言可視化仿真系統(tǒng)

袁雨軒，李 放，陳科淇，韓 正

(1.大連東軟信息學(xué)院 數(shù)字藝術(shù)與設(shè)計學(xué)院，遼寧 大連 116023;2.華威大學(xué) 華威商學(xué)院，考文垂 CV4 7AL)

0 引 言

自然語言處理技術(shù)是在程序設(shè)計中常用的人工智能算法，也是人工智能的熱點(diǎn)研究方向。主要應(yīng)用場景包括個性化推薦、搜索糾錯等。神經(jīng)網(wǎng)絡(luò)是自然語言處理以及人工智能領(lǐng)域最重要的方法之一。為了讓計算機(jī)理解自然世界的知識，可以根據(jù)具體研究對象的特征構(gòu)建不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如適用于圖像處理的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)、適用于文本和序列數(shù)據(jù)的遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural networks，RNN)和長短期記憶網(wǎng)絡(luò)(long short-term memory neural networks，LSTM)等[1-2]。盡管這些網(wǎng)絡(luò)結(jié)構(gòu)在處理不同的任務(wù)時表現(xiàn)出不同的性能，對于具體任務(wù)仍很難確定使用哪種網(wǎng)絡(luò)結(jié)構(gòu)[3]，所使用模型的訓(xùn)練過程同樣需要耗費(fèi)大量時間。為了覆蓋更多的語言場景，本系統(tǒng)依賴百度AI開放平臺的自然語言處理技術(shù)接口。百度AI開放平臺提供了全面的語言處理基礎(chǔ)能力和語言處理應(yīng)用技術(shù)，并以標(biāo)準(zhǔn)化的接口封裝。且該平臺的訓(xùn)練語料以中文為主，對中文輸入的接受能力較強(qiáng)。

對自然語言處理技術(shù)來說，其最細(xì)的劃分粒度是詞語。而在計算機(jī)仿真領(lǐng)域中可以使用三維模型、圖片等來模擬名詞，使用動畫、聲音等交互系統(tǒng)模擬動詞。由于中文的能指極其復(fù)雜，在自然語言處理技術(shù)難以解決的詞語多義性問題上更是雪上加霜。文獻(xiàn)[4]提出了中文句式的三個層級：(1)表層：形式結(jié)構(gòu)，語言中語法項(xiàng)的線性配列式。如主語+謂語構(gòu)成SV句式等。(2)中介層：表現(xiàn)法，語言中線性配列的特定樣式。如抒情、描寫手法等。(3)深層思維方式：反映說話者心理的主體意識。并提出深層思維方式的表達(dá)注重于主觀感受的抒發(fā)，即為了滿足句子表層結(jié)構(gòu)的語法在表達(dá)中的正確性，其深層思維方式可以不嚴(yán)格滿足語法規(guī)則。由于深層思維方式不執(zhí)著于邏輯和形式結(jié)構(gòu)規(guī)范，其表達(dá)與所指的聯(lián)系也更緊密。

基于以上分析，文中將深入討論句子中不同實(shí)體之間的依存關(guān)系，排除中介層和表層結(jié)構(gòu)中的修飾成分，從而得到易于計算機(jī)理解句子深層邏輯的輸入。并提出了一種可視化的虛擬仿真解決方案，用實(shí)體所指代的對象代替中文復(fù)雜的能指，并以視頻的形式可視化呈現(xiàn)。

1 系統(tǒng)開發(fā)中的關(guān)鍵技術(shù)

1.1 中文依存關(guān)系的研究

聚類(cluster)是一組數(shù)據(jù)對象的集合，在文中對應(yīng)著人們使用自然語言輸入、不利于計算機(jī)理解的句子。文獻(xiàn)[5]在引用中總結(jié)到，聚類的基本劃分方法存在需要事先給出樣例的缺陷。而人工定義的語法規(guī)則也是難以窮舉、無法事先給出的。同時，中文的依存句法分析區(qū)別于英文，需要對句子進(jìn)行分詞[6]。對過于復(fù)雜而無法進(jìn)行預(yù)處理的數(shù)據(jù)可以考慮使用基于深度學(xué)習(xí)算法的模型。百度AI依存句法分析接口提供了使用百度日常搜索內(nèi)容做訓(xùn)練數(shù)據(jù)的Query模型，該模型擅長對口語Query句式的處理。以及來源于全網(wǎng)網(wǎng)頁數(shù)據(jù)的Web模型，該模型偏向表達(dá)規(guī)整的書面語法。以上模型可以解析出共34種依存關(guān)系。對此可以根據(jù)集合學(xué)習(xí)的思想，構(gòu)建多個對不同數(shù)據(jù)的處理效果有明顯偏好的模型，整合出一個更強(qiáng)大的模型做最后決策。

為了研究解析出的不同依存關(guān)系對句子深層邏輯的影響程度，實(shí)驗(yàn)1.2將使用百度AI的短文本相似度接口，采用CNN模型驗(yàn)證去除不同依存關(guān)系后對句子結(jié)構(gòu)的影響，相比于該接口提供的詞袋模型(bag-of-words model，BOW)和RNN模型，CNN模型的顯著特點(diǎn)是對序列輸入敏感，但是語義泛化能力較弱。本實(shí)驗(yàn)更關(guān)注實(shí)體之間的邏輯，在對比實(shí)驗(yàn)的過程中僅去掉某一個依存關(guān)系對應(yīng)的實(shí)體，因此對詞語泛化能力的要求較低，且CNN模型對句子保留的局部特征更敏感，因此選擇CNN模型可以在實(shí)驗(yàn)中獲得更理想的結(jié)果。

1.2 實(shí) 驗(yàn)

中文的語言特點(diǎn)決定了多數(shù)的語言場景需要以復(fù)句的形式完成。處理復(fù)句的難點(diǎn)在于各個分句間語義關(guān)系的準(zhǔn)確識別。文獻(xiàn)[7]提出了一種基于句內(nèi)注意力機(jī)制的多路CNN網(wǎng)絡(luò)結(jié)構(gòu)，可以識別分句間的關(guān)聯(lián)特征，以及正確識別復(fù)句的邏輯關(guān)系。文中虛擬仿真工作產(chǎn)生的效果主要來自各分句中的名詞模型，其中的邏輯關(guān)系由該分句中的謂語提供，并且中文的表達(dá)習(xí)慣可以保證句子輸入的語序與視頻播放的時順相對應(yīng)，因此各分句之間可獨(dú)立看待。為了研究使用自然語言輸入的單個句子中詞語之間的依存關(guān)系，以“袁明吃蛋撻”為例，表1將展示該例句在去掉不同依存關(guān)系所對應(yīng)的詞語后與原句子的短文本相似度，該數(shù)值介于[0,1]之間，反映了被去掉的依存關(guān)系對句子邏輯的影響程度。首先排除由復(fù)句產(chǎn)生，或無實(shí)際意義的虛詞產(chǎn)生的依存關(guān)系，如標(biāo)點(diǎn)符號、關(guān)聯(lián)詞等共計17種。

表1 語義相似度對比實(shí)驗(yàn)

1.2.1 討 論

相似度是一個十分復(fù)雜的概念[8]。根據(jù)實(shí)驗(yàn)序號2可知，兩個完全相同的句子相似度為1，序號20和21是兩個與原文無關(guān)的句子，其相似度在本實(shí)驗(yàn)中的樣例均小于0.3。序號19介賓關(guān)系是另一個相似度接近0.3的樣本，原因是丟失掉賓語后與原句本身差異過大。對以上結(jié)果可暫時作如下假設(shè)：短文本相似度接近0.3甚至更小的句子與原文的出入較大，故應(yīng)取大于相似度0.3的結(jié)果做討論。

文獻(xiàn)[9]在文本相似度計算中提到了句子的關(guān)鍵成分與修飾成分的概念，而人們往往從關(guān)鍵成分就可以了解一個句子的大概意思。在介于(0.9,1)區(qū)間內(nèi)存在十種依存關(guān)系，除核心關(guān)系外，其他的依存關(guān)系均是對句子邏輯影響較小的結(jié)構(gòu)成分或修飾成分。以上兩種成分的存在保證了句子表層語法規(guī)則的正確。以“地”字結(jié)構(gòu)為例，其語法解析樹如圖1所示。該依存關(guān)系僅修飾動詞“吃”。去掉修飾成分對句子要表達(dá)的深層邏輯影響很小，此句子的動畫依然可以由“袁明吃蛋撻”來表示。對此結(jié)果不妨假設(shè)在(0.9,1)區(qū)間內(nèi)的修飾成分在生成動畫時可以忽略。

圖1 例句“袁明瘋狂地吃蛋撻”

文獻(xiàn)[10]中的例句驗(yàn)證了，在以中文復(fù)句輸入所返回的語法生成樹中，關(guān)系詞都是動詞。關(guān)系詞在復(fù)句中常作為分句的核心節(jié)點(diǎn)出現(xiàn)，因此本實(shí)驗(yàn)的單句中核心節(jié)點(diǎn)的作用類同于復(fù)句中的關(guān)系詞。

對于圖2所示的核心關(guān)系需要特別討論，因?yàn)閯釉~“吃”是SVO句式的關(guān)鍵成分而不是修飾成分，顯然與上文的假設(shè)相矛盾。這是因?yàn)楸緦?shí)驗(yàn)使用的CNN模型雖然對局部特征敏感，但是“袁明”和“蛋撻”之間沒有任何成分解釋兩個詞之間的邏輯關(guān)系，于是該模型默認(rèn)把“袁明”作為修飾成分，原句的意思被泛化成圖3描述的“袁明牌蛋撻”了。CNN模型在卷積層內(nèi)部狀況為詞向量的拼接。詞向量是計算機(jī)理解詞匯的媒介，這種表示方式是將詞語映射到一個高維且稠密的向量空間中，用空間距離的形式反映兩個詞之間的系。文獻(xiàn)[11]提到，將詞語在計算機(jī)中向量化表示的常用方法有one-hot、詞向量和Word2vec模型等。雖然百度AI平臺沒有描述短文本相似度接口使用的CNN模型中的詞向量在卷積層內(nèi)部的具體情況，但該平臺語言處理基礎(chǔ)能力的SDK中也提供了詞向量表示接口。詞向量模型訓(xùn)練過程的初始狀態(tài)下，對語料庫內(nèi)包含的所有詞向量隨機(jī)賦初值，按照詞語在樣本句子中的位置相應(yīng)地調(diào)整詞向量在空間中的位置，以“袁明吃蛋撻”為例句訓(xùn)練詞向量，該句子由人名+動作+賓語組成。如圖4所示，當(dāng)再次輸入“韓明”和“蛋撻”時，“吃”字在空間中的優(yōu)先級會小于其他的動詞如“買”。輸入“李明”和“吃”之后“蛋撻”的優(yōu)先級同樣會高于其他名詞。類似的，使用訓(xùn)練集中的句子不斷調(diào)整詞向量的位置，多次訓(xùn)練后的詞向量可以作為特征值用于在計算機(jī)中表示該詞語。

圖2 例句“袁明吃蛋撻”

圖3 例句“袁明蛋撻”

圖4 例句“袁明吃蛋撻”的詞向量訓(xùn)練

基于以上結(jié)論，對例句詞語分別調(diào)用百度AI的詞向量表示接口，返回類型為1024維空間大小的詞向量，其中對“袁明”的返回值為[-0.074 207 4,-0.458 546,-0.010 252 2,0.010 083 9,…]，對“吃”的返回值為[0.015 029 4,1.488 3,-0.482 325,-0.740 492,…]，對“蛋撻”的返回值為[0.015 029 4,1.488 3,-0.482 325,-0.740 492,…]。CNN模型檢測文本相似度方法的內(nèi)部情況是將以上三個詞向量拼接成矩陣表示，在池化層完成對數(shù)據(jù)降維的工作[12]。文獻(xiàn)[13]詳細(xì)描述了目前主流的池化方法：

(1)平均池，選擇池窗口中的平均值表示池區(qū)信息。

(2)最大池，選擇池窗口中的最大值，該方法可以獲得池區(qū)的最優(yōu)值，也是最常用的方法。

(3)K-max池，選擇池窗口中的最大K值，該方法是最大池方法的擴(kuò)展，可以更好地保持文本特征。

(4)多池，該方法是針對文本任務(wù)的特點(diǎn)，獲得文本的一維向量表示，并在一維向量上使用其他池化方法分段。

該方法的優(yōu)點(diǎn)是能保留一些詞序信息，可以視為最大池的一種變體。本項(xiàng)目對于文本相似度接口返回的數(shù)值為離散數(shù)據(jù)，且難以描述實(shí)際意義，可以考慮使用聚類方法處理。參考多池的分段方法，研究返回的三個詞向量之間的關(guān)系可以通過計算歐氏距離表示詞向量在二維空間下的位置關(guān)系，其中D為絕對距離，X,Y為實(shí)體，x,y為特征值，計算方法如下：

最終計算“袁明”到“蛋撻”的距離為17.433 217 41，句子“袁明吃蛋撻”的距離之和為39.262 644 02。另一個例子，“袁明跳蛋撻”是一句顯然不符合表達(dá)習(xí)慣的句子，此句子與“袁明蛋撻”的相似度為0.767 38，且符合上一節(jié)中介值于(0.3,0.9)之間的假設(shè)，這個句子的距離之和為46.659 304 67。將以上距離關(guān)系映射到二維空間下的表示如圖5所示，由于詞向量的特征值僅代表在向量空間下的絕對位置，因此該坐標(biāo)系下的單位僅作運(yùn)算，無實(shí)際意義。

圖5 詞向量在二維空間下的映射

由數(shù)據(jù)降維后的結(jié)果可見，“吃”字對卷積運(yùn)算的結(jié)果影響較小，以上結(jié)果是因?yàn)镃NN模型運(yùn)算詞向量時對特征敏感而本例句過于簡單所導(dǎo)致，所以為了保持句子的完整結(jié)構(gòu)，核心關(guān)系應(yīng)作為特例保留。

1.2.2 結(jié) 論

基于上文的實(shí)驗(yàn)，文本相似度處于(0.3,0.9)區(qū)間的依存關(guān)系有主謂關(guān)系、介賓關(guān)系和動賓關(guān)系以及做特例的核心四種依存關(guān)系作為句子的關(guān)鍵成分，相似度同樣處于(0.3,0.9)區(qū)間的處所關(guān)系、并列關(guān)系、數(shù)量關(guān)系和“被”字結(jié)構(gòu)是對句子邏輯影響比較大的修飾成分或結(jié)構(gòu)成分。利用已經(jīng)確定好的八種重要的依存關(guān)系，可以重新組合出更接近句子深層含義的SVO句式。在不改變句子本身邏輯的前提下，去掉盡可能多無需以動畫展示的修飾成分，對第二節(jié)中生成動畫的工作顯然是更友好的。

2 系統(tǒng)的設(shè)計與實(shí)現(xiàn)

2.1 系統(tǒng)架構(gòu)設(shè)計

基于依存關(guān)系的自然語言可視化仿真系統(tǒng)使用C/S分離式架構(gòu)設(shè)計，其時序圖如圖6所示。使用.net框架中的TCP協(xié)議通信，分離式架構(gòu)的優(yōu)點(diǎn)是可以方便本系統(tǒng)在應(yīng)用層面開發(fā)時的擴(kuò)展[14]，例如將模型資源保存在服務(wù)器上的數(shù)據(jù)庫中以減少客戶端資源的使用，以及在不修改客戶端的條件下更新數(shù)據(jù)。本系統(tǒng)的核心問題是對以上依存關(guān)系合理性的驗(yàn)證，故暫時不考慮在架構(gòu)上做性能優(yōu)化。

圖6 UML序列圖

2.2 服務(wù)器的系統(tǒng)開發(fā)

服務(wù)器的開發(fā)需要調(diào)用百度AI開放平臺的自然語言處理接口。使用前需要在官方網(wǎng)站申請API_KEY、SECRET_KEY和APPID并下載C#平臺的SDK，在Visual Studio中新建項(xiàng)目，添加對SDK中類庫的引用，并創(chuàng)建InputHandle類和NetWork類。調(diào)用接口時的請求文本應(yīng)采用GBK編碼，而此編碼在.NET Core平臺上不可使用。在程序啟動時注冊RegisterProvider能提供平臺不可使用的編碼格式，具體代碼如下：

System.Text.Encoding.RegisterProvider(System.Text.CodePagesEncodingProvider.Instance);

System.Text.Encoding.GetEncoding("GB2312");

2.2.1 InputHandle類

InputHandle類包含了調(diào)用自然語言處理接口和聲明Json解析的方法。首先，將輸入的句子傳入到依存句法分析方法中，使用正則表達(dá)式解析返回的Json結(jié)果，并放入到如下格式的結(jié)構(gòu)體數(shù)組中。

public struct Word{

public int head;//頭節(jié)點(diǎn)

public string word;//詞

public int id;//節(jié)點(diǎn)編號

public string deprel;//關(guān)系

};

根據(jù)此結(jié)構(gòu)體數(shù)組，可以獲得一棵有序的語法解析樹，使用Equals()方法判斷結(jié)構(gòu)體中deprel的取值。關(guān)鍵代碼如下：

string Subject,Verb,Object;

foreach(Word w in Words) {

if (Equals(w.deprel,"SBV") Subject =w .word;

if (Equals(w.deprel,"HED") Verb = w.word;

if (Equals(w.deprel,"QUN") Verb = w.word;

if (Equals(w.deprel,"BEI") Verb = w.word;

if (Equals(w.deprel,"COO") Object = w.word;

if (Equals(w.deprel,"VOB") Object = w.word;

if (Equals(w.deprel,"POB") Object = w.word;

if (Equals(w.deprel,"LOC") Object = w.word;

}

將以上代碼賦值后的Subject、Verb、Object變量有序地存入字符串?dāng)?shù)組，此方法封裝到DepPraseHandle類中，并將字符串?dāng)?shù)組作為參數(shù)傳遞給NetWork類。

2.2.2 NetWork類

對于服務(wù)器和客戶端之間的通信問題，本系統(tǒng)采用.net基于套接字為TCP協(xié)議擴(kuò)展的TcpClient類和TcpListener類共同實(shí)現(xiàn)。TcpListener類可以偵聽來自TCP網(wǎng)絡(luò)客戶端的連接。由于TCP協(xié)議是以穩(wěn)定字節(jié)流的形式將數(shù)據(jù)在網(wǎng)絡(luò)間傳輸[15]，TcpClient類中的GetStream()方法可以返回用于發(fā)送和接收的網(wǎng)絡(luò)流。對于字節(jié)類型可以使用BinaryWriter類和BinaryReader類共同實(shí)現(xiàn)將基元類型讀取和寫入的二進(jìn)制值的操作，以上提及的兩個類位于命名空間System.IO下。創(chuàng)建ReceiveMessage()方法，包含使用BinaryReader讀取到網(wǎng)絡(luò)流中客戶端發(fā)送的句子，并作為參數(shù)按上文所述的順序調(diào)用InputHandle類中的方法，最終根據(jù)返回的消息找到模型在服務(wù)器上保存的位置，并使用FileStream類的方法寫入流數(shù)據(jù),關(guān)鍵代碼如下：

public byte[] FileReader(string path)

{

FileStream fileStream = File.Open(path, FileMode.Open);

Console.WriteLine(path);

byte[] array = new byte[fileStream.Length];

fileStream.Read(array, 0, array.Length);

fileStream.Close();

return array;

}

創(chuàng)建SendMessage()方法，包含將返回的字節(jié)數(shù)組使用BinaryWriter.Write()方法寫入到網(wǎng)絡(luò)流NetWorkStream中。其中NetWorkStream位于命名空間System.Net.Sockets下。將上述方法封裝于NetWork類，最終的服務(wù)器UML類圖如圖7所示。

圖7 服務(wù)器UML類圖

2.3 客戶端的系統(tǒng)開發(fā)

2.3.1 命名實(shí)體處理

在Unity3D中將每個實(shí)體模型制作為GameObject類型的預(yù)制體，并以實(shí)體的含義命名后保存在數(shù)據(jù)庫中。

(1)名詞類。

由于需要表示的動畫不僅是由模型組成，在Unity3D中實(shí)現(xiàn)名詞還可以意味著動畫、天空盒子、粒子系統(tǒng)、聲音、視頻等功能，故需要根據(jù)詞語創(chuàng)建模型，并對非模型類的命名實(shí)體掛載一個繼承自MonoBehaviour類的腳本，并在Start()方法中調(diào)用不同組件的Play()方法，以便在生命周期開始時執(zhí)行。

(2)動詞類。

動詞類在中文的單句中作為語法樹的根節(jié)點(diǎn)或度大于一的節(jié)點(diǎn)控制前后名詞類的邏輯，不僅需要訪問名詞類，還要根據(jù)動詞本身的意思讓名詞類執(zhí)行不同的操作如的開始、結(jié)束、改變位置、復(fù)制多個等，在動詞類中創(chuàng)建FunSubject()、FunVerb()、FunObject()三個方法，分別對應(yīng)著與名詞的主動關(guān)系、動作和被動關(guān)系。通常情況下，數(shù)量關(guān)系、處所關(guān)系等修飾成分充當(dāng)謂語成分時對應(yīng)著FunObject()方法的實(shí)體，表示賓語被動產(chǎn)生的動作。而核心HED往往由動詞產(chǎn)生，對應(yīng)著FunSubject()方法，表示主動發(fā)起的動作。以FunSubject()方法為例，獲取名詞所對應(yīng)命名實(shí)體的代碼如下：

public Inventory Bag;

public GameObject Mod;

public string Subject;

foreach (GameObject b in Bag. itemList){

if (Equals(b.name,Subject) == true)Mod = b;

}

獲取到模型后，首先要分析該動詞的含義，在FunVerb()方法中以低代碼化的方式添加簡單的代碼片段。例如下面的代碼為動詞“害怕”添加了音頻并向后移動了主語模型的位置。

public void FunVerb(){

Instantiate(audioSource);

Mod.transform.position += new Vector3(0, 0, -1);

}

2.3.2 背包系統(tǒng)實(shí)現(xiàn)

根據(jù)系統(tǒng)架構(gòu)設(shè)計，客戶端需要接收服務(wù)器發(fā)送的字節(jié)數(shù)組。并按照字節(jié)數(shù)組中的順序在客戶端寫入文件并序列化地生成模型，可以考慮使用GameObject類型的泛型列表保存模型，這種方法的優(yōu)點(diǎn)是易于根據(jù)名稱隨機(jī)讀取模型。

創(chuàng)建背包的方法如下：

public class Inventory : ScriptableObject{

ListitemBag = new List();

}

2.3.3 控制器設(shè)計

首先創(chuàng)建Receive()方法接收到服務(wù)器以字節(jié)流格式發(fā)送的命名實(shí)體，其關(guān)鍵代碼如下：

publicstring Receive()

{

byte[] recvBuf = new byte[102400];

networkStream.ReadTimeout = 2000;

int bytesRead = networkStream.Read(recvBuf, 0, 102400);

if (bytesRead > 0)

string message = Encoding.UTF8.GetString(recvBuf);

return message;

}

創(chuàng)建FileWrite()方法，用于將字節(jié)數(shù)組寫入文件。在寫入時需要注意判斷服務(wù)器寫入文件的順序，可以使用標(biāo)簽或分批發(fā)送的方式區(qū)分好不同實(shí)體，下面以動詞為例，寫入方法如下：

public void FileWrite(string message)

{

int a = message.IndexOf("%YAML 1.1");

//在a下標(biāo)的100位之后繼續(xù)尋找下一個文件的報頭

int b = message.IndexOf("%YAML 1.1", a + 100);

string verb = message.Substring(a, b - a);

FileStream vFile = new FileStream(@"AssetsResourcesVerb.prefab", FileMode.Create ,FileAccess.ReadWrite);

StreamWriter Vwriter = new StreamWriter(vFile);

Vwriter.WriteLine(verb);

Vwriter.Close();

}

若制作的實(shí)體僅由Unity3D自帶的模型組成，可以直接使用UTF-8格式編碼后使用StreamWriter以字符串的形式寫入文件，這種方法相比直接操作字節(jié)而言更易于計算。否則需要把制作的命名實(shí)體及相關(guān)資源以unitypackage包的形式導(dǎo)出，使用BinaryWriter將二進(jìn)制值寫入文件后導(dǎo)入項(xiàng)目。最終將生成的實(shí)體放入背包中，方法如下：

Bag.itemList.Add(Resources.Load("Verb") as GameObject);

在執(zhí)行了以上部分的代碼后，此時已獲取到句子中涉及到的所有模型和對應(yīng)關(guān)系，名詞類模型包含了具體的屬性，動詞類模型可以獲取到名詞的屬性并執(zhí)行相應(yīng)的事件。要實(shí)現(xiàn)動畫的播放，則只需要依次從背包中取出對應(yīng)的實(shí)體并實(shí)例化在場景中即可，關(guān)鍵代碼如下：

public Inventory Bag;

void FindVerbsInBag () {

foreach(GameObject go in verbBag.itemList){

if (go.name == Subject)Instantiate(go);

if (go.name == Verb)Instantiate(go);

if (go.name ==Object)Instantiate(go);

}}

在控制器腳本的生命周期結(jié)束時，還應(yīng)添加資源銷毀機(jī)制并清空背包，避免該場景在下一次激活時執(zhí)行寫入或查找操作出現(xiàn)異常，可以參考如下代碼：

private void OnDestroy(){

File.Delete("Assets/Resources/Verb.prefab");

File.Delete("Assets/Resources/Subject.prefab");

File.Delete("Assets/Resources/Object.prefab");

bag.itemList.Clear();

}

該方法在添加時需要慎重考慮，因?yàn)樵趶?fù)句或較復(fù)雜句式的處理中，該模型與下一個句子可能仍然存有聯(lián)系。應(yīng)考慮具體需求靈活變動，例如在銷毀前增加條件判斷或創(chuàng)建緩存機(jī)制等。

3 系統(tǒng)測試

以“袁明害怕小狗”，“袁明坐飛機(jī)去上海”為例，為這句話中出現(xiàn)的命名實(shí)體制作相應(yīng)的模型，這兩句話在本系統(tǒng)中的運(yùn)行效果如下：圖8(a)按順序出現(xiàn)了模型，并播放了聲音表示害怕，同時人物的模型向后移動了一段距離。圖8(b)按順序出現(xiàn)了模型，并在視頻播放完成后更換了天空。

(a)例句“袁明害怕小狗”

(b)例句“袁明坐飛機(jī)去上?！?/p>

在不銷毀以上模型的條件下，輸入一個重新組合的句子“袁明到上海，小狗挨著香蕉”，再次制作命名實(shí)體“香蕉”對應(yīng)的模型，添加動詞“到”和“挨著”，并識別逗號用做分隔符以兩個分句的形式連續(xù)調(diào)用上述方法。本系統(tǒng)將以兩個單句的效果播放動畫，最終效果如圖9所示。

4 結(jié)束語

在現(xiàn)實(shí)生活中，人們通常更加熟悉該詞語本身所指代的對象，只是不熟悉這一對象在某種語言下的表示中所使用的語言符號。文中為能指與所指之間提供了一種可視化的解決方案，在處理SVO結(jié)構(gòu)單句時可以表現(xiàn)出理想的效果，適合應(yīng)用于漢英字典例句的可視化翻譯、同一語料庫內(nèi)的內(nèi)容的可視化。對于復(fù)句或結(jié)構(gòu)更復(fù)雜的句式可以在輸入時根據(jù)需求切分并逐條處理，以滿足大多數(shù)應(yīng)用場景。但是對于不符合語法規(guī)則的口語句式或輸入錯誤時表現(xiàn)出的處理結(jié)果并不理想。除此之外，標(biāo)注大量模型的工作是另一個難題。筆者將在日后繼續(xù)研究此系統(tǒng)的實(shí)用性擴(kuò)展。