Verwendet noch jemand die konzeptionelle Abhängigkeitstheorie?


11

Roger Schank hat in den 1970er Jahren einige interessante Arbeiten zur Sprachverarbeitung mit Conceptual Dependency (CD) durchgeführt. Dann zog er sich etwas aus dem Feld zurück und war in diesen Tagen in der Ausbildung. Es gab einige nützliche Anwendungen in der Generierung natürlicher Sprachen (BABEL), der Generierung von Geschichten (TAILSPIN) und anderen Bereichen, die häufig eher Planung und Episoden als einzelne Sätze umfassten.

Hat noch jemand CD oder Varianten davon weiter verwendet? Ich kenne keine anderen Projekte, die dies tun, außer Hovys PAULINE, die CD als Repräsentation für die Generierung der Geschichte verwendet.

Antworten:


1

Verwendet noch jemand die konzeptionelle Abhängigkeitstheorie?

Ja. Viele Leute. Konzeptionelle Abhängigkeiten sind von zentraler Bedeutung für die Vermittlung von Ideen in natürlicher Sprache.

Hier sind nur einige Veröffentlichungen in diesem Jahrhundert, die auf Schanks Werken aufbauen oder parallel zu seiner Richtung in verwandten Bereichen reisen.

Ich traf Roger Schank 1992 in Hartford während einer Vortragsreihe, die von den KI-Labors des United Technologies Research Center und einigen anderen Fortune 500-Unternehmen in der Region gesponsert wurde. Sein gesamter Vortrag war eine Reihe von Geschichten in der KI-Forschung. Ich erinnere mich an jede Geschichte 26 Jahre später.

Die Spielzeug-NLP-Implementierungen, die Sie heute auf diesem Gebiet sehen, verblassen im Vergleich zu den von Dr. Schank vorgeschlagenen geschichtenbasierten Argumentations- und Gedächtnissystemen als wahrscheinliche Erklärung für Beobachtungen, die über die menschliche Stimmkommunikation gemacht werden können.

Es ist leicht zu erraten, warum er in die Ausbildung gegangen ist. Seine Ideen zu natürlicher Sprache und künstlicher Intelligenz waren ungefähr ein Jahrhundert früher und über den Köpfen der meisten Leute, die an der Vorlesung neben mir waren.

Wenn Sie und ich seine auf Geschichten basierenden Argumentations- und Erinnerungsvorschläge überzeugend finden, sind wir wahrscheinlich ein Jahrhundert zu früh und ein bisschen über den Köpfen der meisten im heutigen NLP-Bereich. Die meisten Laboranten in den 1980er Jahren empfanden Schank als irritierend, und Menschen, die sich gut in die heutige Technologiekultur einfügen, finden ihn irrelevant.

Einige von denen, mit denen ich bei einem Projekt der Universität von Michigan in Ann Arbor zusammengearbeitet habe, finden seine Arbeit jedoch nicht irrelevant, und ihre Arbeit ist in die von ihm angegebenen Richtungen gerichtet. Leider hindert mich die NDA des Kunden daran, weitere Kommentare zu diesem Projekt abzugeben.

Der Grund, warum wir die Idee, dass wir in Geschichten kommunizieren, nicht aufgeben sollten und letztendlich nicht aufgeben werden, ist, dass sie richtig ist. Wenn eine Person sagt: "Es bringt mich dazu zu kotzen" oder "Ich liebe dich auch", hängt die direkte Analyse dieser Sätze mit "modernen" Techniken nicht eng mit einer korrekten Rekonstruktion der Idee im Kopf des Menschen zusammen Lautsprecher. Beide Sätze beziehen sich auf einen konzeptuellen Haufen gegenseitiger Abhängigkeit, den wir eine Geschichte nennen.

Wenn zwei "Partygirls" bei einem Borgore-Konzert in der Damentoilette sind und eines sagt: "Gib mir eine Rolle", ist die Interpretation des Wortes "Rolle" konzeptionell abhängig. Wenn sich der Lautsprecher in einem Stall befindet, bedeutet dies eine Sache. Wenn am Waschbecken bedeutet es einen anderen.

Es wird immer einen Teil der Forschungsgemeinschaft geben, der dies versteht. Diejenigen, die keine geldsparenden Automaten konstruieren, die die Telefonanrufe Ihres Unternehmens beantworten, geben Ihnen jedoch keinen Einblick in ein Kundenbeziehungsmuster, das auf ein Richtlinienproblem hinweist.

Diese Spielzeug-NLP-Agenten werden aus Telefongesprächen mit Kunden nicht erkennen, dass eine Produkt- oder Serviceverbesserung eine Gelegenheit ist, die darauf wartet, genutzt zu werden, bis sie die von Dr. Schank vorgeschlagenen Fähigkeiten entwickeln, und sie werden Ihnen keine Geschichte erzählen, die Sie überzeugen wird dass Sie davon profitieren würden, als Erster die Gelegenheit zu nutzen.


1

Obwohl dieses Modell eine wichtige Rolle bei unserem gegenwärtigen Verständnis von NLP und NLU spielte, ist es in Produktionssystemen nicht mehr nützlich und derzeit folgt kein erfolgreiches kommerzielles Produkt diesem Ansatz.

In CDT war das Ziel, ein KI-System zu entwerfen, das logische Schlussfolgerungen aus Sätzen ziehen kann. In diesem System bestand das Ziel darin, die Bedeutung unabhängig von den in der Eingabe verwendeten Wörtern zu machen.

CDT modellierte Sätze mithilfe von Token wie: Orte, Zeit, Aktionen der realen Welt und Objekte der realen Welt. Als jedoch die Rechenleistung häufiger und kostengünstiger wurde, wurde das Interesse auf statistische Modelle gelenkt, die nun die vorherigen regelbasierten Systeme übertrafen.

Das Problem bei regelbasierten Ansätzen wie CDT besteht darin, dass sie die manuelle Entwicklung von Sprachregeln erfordern, die kostspielig sein können und sich normalerweise nicht gut auf andere Sprachen übertragen lassen.

Andererseits nutzen statistische Ansätze die Ressourcen der menschlichen Sprache (mehrsprachige Textkorpora) effizienter. Anstatt einen regelbasierten Ansatz zu verwenden, treffen statistische Modelle weiche probabilistische Entscheidungen, indem sie den Merkmalen, aus denen die Eingabedaten bestehen, echte Gewichte hinzufügen. (Wikipedia NLP)

Dieser effiziente Einsatz menschlicher Sprachressourcen führt zu einem Modell, das genauer und robuster ist, insbesondere wenn ungewohnte Eingaben oder fehlerhafte Eingaben gegeben werden. Statistische Modelle lassen sich auch gut auf andere Sprachen übertragen.


Danke für deine Antwort; Ich kenne statistische Modelle und ihre Eigenschaften, aber für diese Frage interessierte ich mich nur für CDT!
Oliver Mason

Das Thema war eine Freude zu recherchieren und zu beantworten. Ich habe am Ende statistische Modelle zum Vergleich eingeführt, aber ich verstehe Ihren Standpunkt voll und ganz.
Seth Simba
Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.