维普资讯 http://www.cqvip.

com

计算机科学２
００３Ｖｏ１
．３０Ｎ
９．１
１

种基于语境的对话模型
刘红阁
（中国科学院数学与系统科学研 究院数学研 究所 北京１
０００８
０）
Ａ Ｃｏｎｔｅｘｔ—Ｂａｓｅｄ Ｔａｌ
ｋｅｒ

ＬＩＵ Ｈｏｎｇ－
Ｇｅ
（Ｉ
ｎｓｔ
ｉｔｕｔ
ｅｏｆＭａｔ
ｈｅｍａｔ
ｉｃｓ，Ａｃａ
ｄｅｍｙｏｆＭ ａ
ｔｈｅｍａｔ
ｉｃｓａｎｄＳｙｓｔ
ｅｍ Ｓｃｉ
ｅｎｃ
ｅｓ．
ＴｈｅＣｈｉ
ｎｅｓ
ｅＡｃａ
ｄｅｍｙｏｆＳ
ｃｉｅ
ｎｃｅ
ｓ．Ｂｅｉ
ｊｉ
ｎｇ１０００８０）

Ａｂｓｔ
ｒａｃｔ Ｉｎｏｒｄｅｒｔ
ｏｍａ
ｋｅｃｏｍｐｕｔｅｒｕｎｄｅｒｓｔ
ａｎｄ ｈｕｍａｎ ｌ
ａｎｇｕａｇｅｓｍｕｃｈ ｂｅｔ
ｔｅｒａｎｄ ａｃｈｉ
ｅｖｅｃ
ｅｒｔ
ａｉｎｔａｓｋｓａｃ
ｃｏｒ
ｄｉｎｇ ｔ
ｏ
ｈｕｍａｎ ｉ
ｎｔｅｎｔ
ｉｏｎｓ，ｉ
ｔｉｓｒｅｑｕｉ
ｒｅｄ ｔ
ｏ ｃａｒｅ
ｆｕｌ
ｌｙ ｍｏｄｅｌｔ
ｈｅｅｌ
ｅｍｅｎｔ
ａｒｙ ｃｏｎｃｅｐｔ
ｓａｎｄ ｔ
ｈｅ ｕｎｄｅｒｌ
ｙｉｎｇ ｔ
ｈｅｏｒｅｔ
ｉｃａｌｐｒｉ
ｎｃｉ
ｐｌｅｓ

ｆ
ｏｒｄｒ
ｉｖｉ
ｎｇ ａ ｃｏｎｖｅｒ
ｓａｔ
ｉｏｎ ｇｅｎｅｒａｔ
ｉｎｇ ａｎｄ ｄｅｖｅｌ
ｏｐｉ
ｎｇ． Ｕｎｄｅｒ ｔ
ｈｅｇｉ
ｖｅｎ ｌ
ｉｎｇｕｉ
ｓｔｉ
ｃ ｃｉ
ｒｃｕｍｓｔ
ａｎｃｅｓ，ｔ
ｏｓｏｍｅ ｅｘｔ
ｅｎｔ，ｉ
ｔ

ｍｉ
ｇｈｔ ｂｅ ｈｏｐｅｆ
ｕｌｔｏ ｂｕｉ
ｌｄ ｕｐ ａ ｃ
ｏｍｐｕｔ
ａｔｉ
ｏｎａｌｍｏｄｅｌｗｈｉ
ｃｈ ｃａｎ ｐｒ
ｅｄｉ
ｃｔａｎｄ ｃｏｎｔｒ
ｏｌｔｈｅ ｓｕｓｔａｉ
ｎｉｎｇ ｄｅｖｅｌ
ｏｐｍｅｎｔ ｏｆ
ｃｏｎｖｅｒｓ
ａｔｉ
ｏｎａｌａ
ｃｔｉ
ｖｉｔ
ｙ．Ｔｈｉ
ｓ ｐａｐｅｒ ｉ
ｓ ｇｏｉ
ｎｇ ｔ
ｏ ｍａｋｅ ａ ｆ
ｏｒｍａｌ
ｉｚｅｄ ｐｒｉ
ｍａｒ
ｙ ｄｉ
ｓｃｕｓｓｉ
ｏｎ ｏｎ ｃｏｎｔ
ｅｘｔ
ｕａｌｆｅ
ａｔｕｒ
ｅｓ ｗｈｉ
ｃｈ

ｉ
ｎｆｌ
ｕｅｎｃ
ｅｃｏｎｖｅｒ
ｓａｔｉ
ｏｎａｌａｃｔｉ
ｖｉｔ
ｙ，ｄｅｓ
ｉｇｎ ａｎ ａｌ
ｇｏｒ
ｉｔｈｍ ｐｒ
ｏｃｅｓｓ
ｉｎｇ ｅｌ
ｌｉｐｓ
ｅｓ．ａｎｄ ｂｕｉ
ｌｄ ａ Ｃｏｎｔ
ｅｘｔ
—Ｂａｓ
ｅｄ Ｔａｌ
ｋｅｒ（ＣＢＴ）．

Ｔｈｅｅｍｐｉ
ｒｉｃａｌａｎａｌ
ｙｓｉ
ｓｓｈｏｗｓ，ｔ
ｏｓｏｍｅｅｘｔ
ｅｎｔ，ＣＢＴ ｃａｎ ｃ
ｏｎｔ
ｒｏｌａｎｄ ｇｕａｒａｎｔ
ｅｅｔ
ｈｅｃｏｈｅｒｅｎｃｅａｎｄｎａｔｕｒ
ａｌｄｅｖｅｌ
ｏｐｍｅｎｔ
ｏｆｃｏｎｖｅｒｓａｔｉ
ｏｎａｌａｃｔ
ｉｖｉ
ｔｙ．

Ｋｅｙｗｏｒ
ｄｓ Ｃｏｎｔ
ｅｘｔ
－ｂａｓｅｄ ｔ
ａｌｋｅｒ，
Ｃｏｎｔｅｘｔ，
ＣＳ－Ｎｅｔ，
Ｂｅｌ
ｉｅｆ，
Ｏｎｔ
ｏｌｏｇｙ

分 为交际语境和语 言语境 ，
并提出了语境 的动态生成 观 。
所谓
１
．引言
交际语境包括语言使用者、
心理世界、
社交世界和物理世界。
从１９
９８年起 ，
我们承担 了一项国家 自然 基金重点课题 ：
常 以上的因素都会不同程度地影响到对话者在使用和理解语言
识 性知 识的 实用 性研 究。
我们 致 力于建立 一个 大规模 的常识 时做出的语言选择。
Ｊｅｆ对语境的划分是系统和全面的，
但是
知 识库 Ｐａ
ｎｇｕ．
使得 我们 的系 统接 受用 户关 于常识 问题 的 自 建立一个综合这些因素的对话模型是非常复杂困难的，
考虑
然语言形式的询问，比如“牛有几条腿？”，
并且产生基于常识 到 Ｐａ
ｎｇｕ的特 点 ，
我们 定 义了在实 际对话 模 型中最 直接 的影
知 识库搜索 和问题求 解的 回答 。 响因素。
我们把语境划分成认知语境、
语言语境和物理世界语
在常 识知 识库搜 索和 问题求 解的 过程 中 ，
我们 发现要 想 境．
认知语境主要涉及对话者的信念、
意图、
愿望和情感等心
保 证人机 对话 连贯 自然 的 良性发展 ，
各类 语境 信息尤其认 知 理 因 素 。Ｐｏｗｅ
ｒ１９
７３年 提 出 的 Ｐｅ
ｒｃｅ
ｐｔｕａ
ｌＣｏｎｔ
ｒｏｌＴｈｅ
ｏｒｙ
语境起 到了 至关重 要的作 用 ，
而 已有的对话 模 型很少考虑 语 （
ＰＣＴ）
认为 ，
所有 的行 为都是受认 知状 态的控制 ，
先 有认 知再
境 在对话 中扮演的角色 。
认知科 学告诉我们 ，
人们认识 事物时 有行 为 ，
所有行 为是 靠执行行 为的人的认知状 态所决 定的 。
语
总是 遵循 一 个基本规 律 ，
即 以相关 的认知环 境 为出发点 来认 言语境 ，
即 我们通 常所说 的上下 文 ，
主要 包括指代 和省略两 大
识新 事 物 ，
增 加新 信 息 ，
并 进而改 变 已有 的认 知环境 ，
为下 一 方面。
物理 世界 语境 主要包括 天气 ，
时 间和空 间 的指示关 系 ：
次认知活动做准备。
人和机器之间的对话，
也是一个认知的过 就 时 间而 言 ，
它包括 事件时 间 ，
说 话时 间和 指示时 间 ；
空 间指
程，
只有在机器掌握了对方和 自身的认知语境情况下，
才能对 示即地点指示关系可分成两种 ：
绝对空间关系和参照指示对
人 的问题 做 出近似 人 的解释 和 响应 。
Ｓｐｅ
ｒｂｅ
ｒ和 Ｗｉ
ｌｓｏｎ也 认 象 的相对 空间关 系。
为，
对话 语理 解起 重要作 用的是 有 听话者 的一 系列假设所 构 Ｒｏｂｂ
ｅｒｔ
—Ｊａ
ｎＢｅ
ｕｎ［
。设 计了 以认 知 为核 心驱 动 的双机 对
成的认知语境。
认知语境是在话语理解过程中不断选择的结 话模 型 ，
他认 为双方 是为 了完成 一定任务而进 行交流 的 ，
既然
果，
而不是 在理解之前 预先确 定的 。
对话语 的最佳解释就是 花 为 了解决问题 ，
就应该 遵守合作 和一致性等原 则 。
他假设双方
费最小的努力，
从认知语境中选择最相关的假设 ，
来获得最大 是完全合作的，
Ａ不会去问 Ｂ自己不相信的问题 ，
对话者从
的语境 效果 。 来不误导对方，
也从不提供缺少证据的断言 ，
因此不去检查交
让 人感觉 和我们的机 器交流就像和一 个正常 的人交流 一 流中 存在 的与事实 违背 的不一致 。
这 其实 是对现 实对 话的简
样而 没有障碍 ，
虽然 不是我们所有 的 目的 ，
但 是却是研 究机 器 化，
也是设计者的美好愿望，
但现实中却不是这样。
交际中双
话语智能的一个主要手段。
ＣＢＴ就是结合 Ｐａ
ｎｇｕ自身特点和 方必须合作吗？说话人一定会做到表达真实、
充分、
相关和清
需要而设计的，
它从分析各类语境信息及其在对话过程中的 晰 吗 ？Ｇｒ
ｉｃｅ的 合 作 原 则 及 其 各 准 则 具 有 普 遍 性 吗？Ａｙｓ
ｅ
动 态改变着手 做 出话语 选择 。 Ｐｉ
ｎｎａ
ｒＳａ
ｙｇｉ
ｎＥ妇也试 图通过 分析 Ｇｒ
ｉｃｅ的合 作原 则及 各会 话
准则的违反之间的关系来获取深层会话含意 ，
但事实上，
这种
２
．相关工作比较
方法 缺乏 足够 的理论 依据 ，
缺 少严 密性 。
ｅ ｕｎ的模 型中仅 分
Ｂ
首先来介绍一下语境的概念 ，
ＪｅｆＶｅ
ｒｓｃｈ
ｕｅｒ
ｅｎ把语境划 析了 影响 话语交 流的认 知语境 ，
但是 他 的思想还 是对 我们 有
▲

＊）
本文工作 受到 了中国科学院脑 智科学基金 以及９７
３计 划（
编号为 ：
２ｏｏ
２ｃＢ３
１２ｏ
ｏ４） 资助 。
刘红 阁 博士生 ，
研 究方向为 自然语言理解 和语用
理论 ．

・３２ ・
 维普资讯 http://www.cqvip.com

很 大的 启发 ，
我们 的模 型 中也采 用了他 定义 的部分 基本表 示 息，
制定一套较完备的语境更新规则，以完成在对话过程中动
符号。
我们是 想处理真 正符合现实 的对话 ，
使得我们 的机 器模 态更新对话者语境特征信息。
③把对话策略（
通常说 的对话技
拟某种意义上真正的人，
所以意愿建立一个 比较严谨和完备 巧）
表示成规则。
即根据三类语境信息，
选择执行最符合对话
的对话模型。 者意 图的行为 。
ＣＢＴ是建立 在人机 对话基础上 的 ，
人 的认知状 态是 隐藏
５
．支持 ＣＢＴ的知识库结构
在人 的内心的 ，
而且机器无 法控制人所 做出的语 言选择 。
尽管
５ １ Ｐａ
ｎｇｕ的结 构 如此 ，
我们还是 结合对话历 史分析人 的认知状态 ，
以便机 器作
Ｐａ
ｎｇｕ中有两 种知识 单元 ：
ａｇｅ
ｎｔ和 ｏｎｔ
ｏｌｏｇｙ。
ａｇｅｎ
ｔ用来 出具有 满足人需求 的最大语效 的话语选择 。
表 示知 识之 间纵 向关 系 （
继承 ），
ｏｎｔ
ｏｌｏ
ｇｙ用 来表 示知 识之 间 ＣＢＴ有黑板和规则库两大部分构成 ，
在黑板模型中存放
复杂的横向联系。
ＣＢＳａ
ｇｅｎ
ｔ是我们提出的一种新型的常识 三类语境信息，
规则库中存放语境更新规则和行为执行规则．
知 识库 的 ａ
ｇｅｎｔ，
Ｃ，Ｂ和 Ｓ分 别 代 表 Ｃａ
ｐａｂｉ
ｌｉ
ｔｙ，Ｂｅ
ｌｉｅ
ｆ和 假定所有的行为都是受三类语境因素的控制，
在每一轮对话
Ｓｔ
ｒａｔ
ｅｇｙ。
为了模仿人的行为，
我们的 Ｂｅ
ｌｉ
ｅｆ和 Ｓｔ
ｒａｔ
ｅｇｙ分别 开始的时候，
人需要把物理世界语境信息输入到黑板模型中，
表示静态和动态的知识 ，
其实，
Ｂｅｌ
ｉｅ
ｆ类似一个人的头脑中存 语言语境为空，机器和人的信念也就是各自所有的知识和常
储 的认识世 界的知识 ，
而Ｓｔ
ｒａｔ
ｅｇｙ是 由一组 规则组成 ，
他模仿 识，
情 感为正 常态 。
此时 需要首 先 由人主动 开始对 话 ，
向 机器
的 是 人利 用知 识 （
ｅｌ
Ｂ ｉ
ｅｆ）
解 决 问题 的能 力 。
因 为 Ｏｎｔ
ｏｌｏ
ｇｙ的 提出问题 ，
这时人就有了一个愿望或者意图，
从此构成了认知
结构和本文无关，
这里不再介绍，
详见文［
１３。 语境的不平衡，
对话开始伴随着解决问题的开始 ，
直到认知语
５．２ ＣＳ－
Ｎｅｔ 境中的所有状态达到了新的平衡，
对话结束。在每一轮对话
ＣＳ－
Ｎｅｔ是 我 们 设 计 的 用 来 表 示 ａ
ｇｅｎ
ｔ的 Ｂ
ｅｌｉ
ｅｆ和 中，
只有物理世界语境会保持恒定不变 ，
其它的语境信息都可
Ｃａ
ｐａｂｉ
ｌｉ
ｔｉ
ｅｓ的 一种 语 义 网络 ，
每 个 ＣＳ—
Ｎｅｔ由一 组 关联 的 语 能在对话过程中动态改变．
各类语境信息的动态改变过程利
义 三 元组 构成 。
一般 来 说 ，
每一 个 语义 三 元组 由三 个结 点 组 用堆栈 来保存
成，
其 中第一和第 三结 点是 概念结 点 ，
第二结 点是第一结 点和 ＣＢＴ的详细流程如 图１。
第 三结 点之 间的 关系结 点 ，
概念 结点 和关 系结点 又可 以用别
的语义三元组来修饰。
例如 ：
“猴子生活在什么地方”用 ＣＳ－
Ｎｅ
ｔ应该表示 为 ：
（
猴子，
生活 ：
Ｌ０１，＊）；
Ｌ０１：
（ｐｏｓ
ｉｔｉ
ｏｎ（
生活），
ｉｓ．！
ｘ）；
其中ｐｏｓ
ｉｔ
ｉｏｎ是我们定义的关键字，
Ｌ０１引导的是修饰三
元组。
５．５ ＥＣＷ Ａ

Ｒｅ
ｉｔ
ｅｒ的所谓封闭世界假设（
Ｃｌｏｓ
ｅｄｗｏｒ
ｌｄＡｓ
ｓｕｍｐｔ
ｉｏｎ，
简称 ＣＷＡ）
的说法是：
任何不能被知识库证明的命题都认为
是错误 的命题 。
比如如果知识 库 中没有说 明“牛有两个尾 巴”，
那么就认为命题“牛有两个尾巴”是错误的 传统的 ＣＷＡ忽
略 了“
不 知道”出现 的可能性 ，
仅 给 出“是”和“
否”两个 答案 。
殊
不知，
“否”和“不知道”
应该严格区别，
而且把 ＣＷＡ直接应用
到话语 理解 中是非 常危险的 。
为此 ，
我们提 出了扩展 的封闭世
界假 设 （
ＥＣＷＡ），
思想是 ：
如果人和 牛是动物仅有 的两个 儿子
结点，
那 么 所有 人 和牛 的共 同属性 都应 该 从 动物这 个 ａ
ｇｅｎ
ｔ
获得 。
如 果在动 物里没有 提到“跳舞”
这 个概念 ．
但 在人 中提到
“人会跳 舞”，
那么 我们 就可 以肯定推断 出“
牛 不会跳舞 ”。
另外
图１ ＣＢＴ的处理 流程
如果在三个结点中都没有提到“跳舞”．
那么答案就是“不知
道”
（因为知识 库不 可能 是完 备 的 ，
回答 “
否”是 很危 险 的）。
通 ４
．１ 物理世界语境在 ＣＢＴ中的应用
过合理组织知识库的结构，
我们就把二值逻辑转换成了三值 物理世界语境主要涉及时间、空间和天气这些内容，使用
逻辑 。 它们主要用来进行时空推理，另外有了这些信息 ，
也能有助于
话语 的理 解 。
４
．ＣＢＴ的设计
４
．２ 语言语境在 ＣＢＴ中的应用
大致 思想是 ：
① 定 义一组描 述对话 者在话语 行为 中的语 语言语境是在交互过程中动态创建的，
为此我们需要保
境 特征 量 ，比如 信念 、
意图、
愿望 、
情感 （
通 过多 次正式 的人 机 留整轮谈 话的历 史记录 在一 个堆栈 里 。
这里 对人 的语言 有一
对话测试，
我们发现 ：
在人机对话中，
为使机器模拟成某种意 点要求，
就是尽量使用完整或近乎完整的语言，
机器使用的语
义 上真正 的人 ，
让机器 的响应 具有 一定的情绪 和情感 ，
是机器 言 不必担心 ，
一定会是 完整的 。
通 过对人 生成 的话语 的指代和
通过测试的一个关键 所以在 ＣＢＴ中，
我们对情绪和情感给 省略分析就完成了语言语境在对话模型中的应用。
指代问题
予了较为严格的划分 ，
给出了测评的量化指标。
并且考虑了情 是一个很复杂并且普遍存在的问题 ，
也是话语分析中不可忽
绪和情感的连续性变化，
尽量保证机器和人不会出现情绪和 视的问题 ，
当一句话中出现了一个“不明身份”
的词和词组时，
情感 的跳跃）
等。② 结合历史语境和新产生的话语行为等信 它往往是某人或某些 已知身份的词或词组的代表。
准确确定
・３３ ・
 维普资讯 http://www.cqvip.com

不明身份的指代对象，
是进行正确话语理解的前提。
进行指代 处理）
分析可 以从三个层次来处理 ：
①语法、
语义分析 ；
②句内常识 ＜
２）获 取 Ａ ＋１
Ｃｏｎｔ
ｅｎｔ的主关键 字 Ｐｒ
ｉｍａ
ｒｙＫｅ
ｙ
分析；
③句群常识分析 ，具体可参照文［４］。 ＜
３）获 取 Ａ ＋１
Ｃｏｎｔ
ｅｎｔ的非 主关键字 Ｉ
ｎｌｏＬｉ
ｓｔ
在 进行 省略分 析 的时候 ，
除了分析 省略单 句 内的语 法结 ＜
４）ｉ
ｆＢＬｉ
ｓｔ
Ａｇｅ
ｎｔ一 ’根据 Ｈ的层次结构 ，
获取前 ｎ
一１
构．
句间结构和一致性还须从对话历史记录中搜寻省略的关 个不完全对话历史中最外层解释
键语法信息，
根据所能获取的关键信息去常识知识库中搜索 ＜４．１）
Ａｇｅｎｔ
ｓ＝ Ｂｋ
ＬｉｓｔＡｇｅｎｔ

满足问题 的解 。
利用语言 语境进行 省略分析 的方 法如下 ： ＜４．２）
ｉ＝ ｋ ‘

４．２
．Ｉ 对话 历史记 录 Ｈ 的描述 Ｈ 是一个 由对话 历史 ｅ１
ｓｅ

记录构 成的双 向链 表 ，
每一个结 点描述了每一 次对话 内容 ，
以 １一 ｎ

及对话序列的层次结构。
每一个结点的后趋指针指向下一个 ＜
５）ｉ
ｆｉ一０ｒ
ｅｔｕｒ
ｎ（没有可 用的上文 信息）
对话结点，
如果该结点是对前面某结点的解释，
则前趋指针指 ＜
６）ｉ
ｆＰｒ
ｉｍａ
ｒｙＫｅｙ一 “＊”取 出 所 有 Ｂｉ
Ｌｉｓ
ｔＡｇ
ｅｎｔ的
向解释的结点，
如果该结点不对任何其它结点的解释，
则前趋 ｂ
ｅｌｉ
ｅｆ构成 集 Ｔ
指针指向自身。 ｅ
ｌｓｅ取 出所有 Ｂ￣
Ｌｉｓ
ｔＡｇ
ｅｎｔ中所 有 包含 Ｐｒ
ｉｍａ
ｒｙＫｅｙ
例 如 ：Ａ ：
老 虎有几条腿 ？ 的ｂ
ｅｌｉ
ｅｆ构成集合 Ｔ
Ｂ：
老虎 跑得快吗 ？ ＜
７）ｉ
ｆＴ一 ｒ
ｅｔｕｒ
ｎ（无相关 信息 ）
Ａ：
：老虎跑得非常快。 ＜
８）获取 Ａｉ
Ｃｏｎｔ
ｅｎｔ中的非主关键字信息 Ｖｉ
ｃｅ
Ｂ２：
老虎 有４条腿 （
在常识知识库 中隐含有这 样 的常识 ：
跑 ＜
９）合并 Ｖｉ
ｃｅ。
Ｉｎｆ
ｏＬｉ
ｓｔ，
Ａｎ＋１
Ｌｉｓ
ｔＡｇｅ
ｎｔ成集合 Ｋ
得快 的动物有 ４
条腿 ）。 ＜
１０）ｉ
ｆＰｒ
ｉｍａ
ｒｙＫｅｙ一 “＊”对 Ｔ中 的每 条 ｂｅ
ｌｉｅ
ｆ，计算
表 示成 层次 ：
Ａ１（
Ｂ１Ａ２
）Ｂ２ 其对集合 Ｋ的包含度，
取包含度最大且包含度大于 ｒ（
ｒ为阈
历史记录 Ｈ如 图２： 值，
定为０．６
８）的 ｂｅ
ｌｉｅ
ｆ作为应答 。
ｅ
ｌｓｅ对 Ｔ 中的每条 ｂｅ
ｌｉｅ
ｆ，计算其 对集 合 Ｋ 的包含 度 ，
取
包含度最大且包含度大于 ｒ（
ｒ为阈值，
定为０
．７０）
的 ｂｅ
ｌｉ
ｅｆ作
为 应答
＜１
１）成功返 回
＜
１）中对 Ａ ＋Ｃｏ
ｎｔｅ
ｎｔ的完整性判断是非常困难的，
因为
图２
省略 形式是多种 多样而又无 处不在的 。
例如“毛多 吗？”
从句法
上图中．
Ａ：是对 Ｂ 的解释 ，
Ｂｚ是对 Ａ 的解释。 上来看是完整的主谓句，
但分析上文语境可能准确信息应为：
每 个结点 的对 话 内容 用一个六元组表 示 ： “牛 的毛 多吗？”
在这 种情 况下 ．
我们 只有 采用折 中 的办 法 ，
不
（Ｃｏｕｎｔ
ｅｒ，Ｉ
ｄｅｎｔ
ｉｔｙ，Ｃｏｎｔ
ｅｎｔ，Ｅｍｏｔｉ
ｏｎ，Ｆｅｅｌ
ｉｎｇ・ＡｎｓＡ— 把 这类问题作 为省略来处 理 。
ｇｅｎｔ
ｓ，Ｌｉ
ｓｔＡｇｅｎｔ） ４
．５ 认知语境在 ＣＢＴ中的应用
其中 Ｃｏｕｎｔ
ｅｒ是 回合标记 ，
初始 为０，
从１开始记 数 ；
Ｉｄｅ
ｎｔｉ
ｔｙ表 在下面的具体应用中， 我们假设机器和人只有在表达陈
示说 话者的身份 ，
取值 为“人”和“机器”；
Ｃｏｎｔ
ｅｎｔ是话语的 述的观点时。
才会引起情绪和情感的连续性变化。
按照 ＣＢＴ
ＣＳ—
Ｎｅｔ表示 ；
Ｅｍｏｔ
ｉｏｎ表示说话者当前的情绪值；
Ｆｅｅ
ｌｉ
ｎｇｓ表 的需要，
我们把情绪分成５种表现状态：
愤怒、
生气 、
正常、
高兴
示说话 者 当前 的情感 值 ；
Ａｎｓ
Ａｇｅ
ｎｔｓ表示 当前 的应 答是 由哪 和兴 奋 ，
分 别取 值 为 ：
一２，
一１，
０，１，
２；把 情感 也分 成 ５种表 现状
些 Ａｇｅ
ｎｔｓ给 出 的 ，
只对机 器有 效 ；
Ｌｉｓ
ｔＡｇ
ｅｎｔ表示该 句话语 的 态：
绝望 、
哀伤 、
正常 、
欣慰 和幸福 ，
分 别取值 为 ：
一２，
一１，
０・１・
２。
Ａｇ
ｅｎｔ列表 ，
排在最前面 的是主 Ａｇｅ
ｎｔ。 当通过 分析 得知人 的情 绪值是 负值 时 ，
机 器 向对话 人表 示适
在 下 面 的 算 法 中 ，（ｉ
，人 ，Ｃｏｎｔ
ｅｎｔ，
Ｅｍｏ
ｔｉｏ
ｎ，Ｆｅ
ｅｌｉ
ｎｇ， 当的歉意 ，
如果是正值 ，
机器向对话人表示适当的谢意（
我们
Ａｎｓ
Ａｇｅ
ｎ＇，
．Ｌｉ
ｓｔＡｇｅ
ｎｔ）简记 为 Ａｉ
，（ｉ
．机器 ，
Ｃｏｎｔ
ｅｎｔ，
Ｅｍｏｔ
ｉｏｎ， 认为情绪值的降低是因为说了伤害或侮辱对方的话而引起对
Ｆｅ
ｅｌｉ
ｎｇ．
Ａｎｓ
Ａｇｅ
ｎｔ，
Ｌｉｓ
ｔＡｇｅ
ｎｔ）
简记 为 Ｂｉ
。 方情绪值的反向变化，
而情绪值的升高是因为说 了赞赏或祝
对话 回合 ：
（Ａ，
Ｂｉ） 福对方的话而引起对方情绪值的正向变化）；
如果分析得知人
ｎ个回合的对话历史：
Ａ ＢＡ２
Ｂ２…Ａ Ｂ 称为 ｎ个回合的 当前情感值为负值时，
机器应向对话人表示适当的安慰或同
完全 对话 历史 ．
Ａ ＢＡ：
Ｂ：…Ａ 称为 ｎ个 回合的不 完全对话 历 情，
如果 是正值 ．
机 器 向对话 人表示适 当 的祝贺 或祝 福 （
我们

史。 认为情感值的降低是因为自身发生了不愉快或者伤心的事而
主关键字 ：
Ｃｏｎ
ｔｅｎｔ中提问变量的范畴，
一般是主三元组 引起的，
而情感值的升高是因为自身有了高兴或开心的事而
的 头 中 的 内 容 。例 如 ：几 条 ？对 应 的 三 元 组 表 示 ：（
ｎｕｍｂｅ
ｒ 引起 的）。
我们 对情绪 和情感 的划 分不 是严格 的 ，
但这 样 的划

（＊），
ｉｓ，
！ｘ）；
主关键 字为 ｎｕｍｂｅ
ｒ。 分 在进行对话分析 的时候基本 足够 ，
也减轻 了处理的复 杂度 。
非主关键字 ：
Ｃｏｎｔ
ｅｎｔ中的非主关键字。 ４
．３．１ 基 本 符 号 和 函 数

４．
２．２ 基 本 假 设 ｐ代 表简 单命 题 ，
ｐ—ｑ是 复合 命题 ，
其 中 ｐ是 命题 的前
① 由机器 作出的 回答都是完整 的句子 提，
ｑ是命题 的结论 。
不 允许 出现 这样 的命题 ：
ｐ—ｐ，
因为它 不
② Ａ ＋是对 ｎ个回合完全对话历史的深入而不是话题 能 够带来新 的知识 ，
只能造成重 复。
的转移 ＢＰ：ｘ相信 Ｐ
③ 省略 的信息可 以在本轮上 文中的完整表达 式中找到 一
ＢＰ：
ｘ相信 ｙ不 相信 Ｐ ▲

４．
２．３ 算 法 ＳＢＩ
ｐ：ｘ假设相信 Ｐ
４
１＞ｉ
ｆ ＋１
Ｃｏｎｔ
ｅｎｔ是信息完整的 ｒ
ｅｔｕｒ
ｎ（交由其它策略 【
）Ｉ
ｐ：ｘ希望 Ｐ
・
３４ ・
 维普资讯 http://www.cqvip.com

Ｉ（
ｐ，Ｐ。
，… ，
Ｐ ＞：ｘ有知道 Ｐ ，
Ｐ。，
…，Ｐ 的意 图 ，
Ｐ 是最 代价假设 Ｐ的第一关联 ｑ成立。
近 ｘ想 知道的意 图 。 ｓ５：
Ｂ Ｉ（… ，Ｐ＞８Ｌ— Ｂｐ＆－
－－
，ＳＢ Ｐ ８ＬＣｏｎｔ
ａｃｔ（ｘ，Ｐ）＝
Ｅ：
ｘ当前 的情绪值 ＆Ｅｘ≥ ０－
－－
￣Ｑｕｅｓｔ
ｉｏｎ（ｘ，
Ｆａｔ
ｈｅｒｓ（
Ｐ））
Ｆ：
ｘ当前 的情感值 如果 ｘ不能确 定 Ｙ想知道 的 Ｐ，
并 且没 有和 Ｐ关 联 的命
Ｉ
ｓ（ｒ，
ｓ）：ｒ就是 ｓ，
它们是等价关系。比如：
Ｉｓ（
龙眼，
桂圆） 题，
ｘ此刻 的情绪 在正常 以上 ，
问 Ｐ的祖 先命题 ，
因为 属 性有
Ｉ
ｓ—ａ
—ｋｉ
ｎｄ（
ｒ，ｓ）：
ｒ是 ｓ的一种 。
比如 ：
Ｉｓ—ａ—ｋ
ｉｎｄ（
东 北虎 ， 继 承功能 。
虎） ｓ６：ＢＩ（… ，Ｐ＞８Ｌ
— ＢＩ
ｐ８Ｌ－，
ＳＢ．
ｐ ８ＬＣｏｎｔ
ａｃｔ（ｘ，Ｐ）一 ８Ｌ

Ｃｈｅ
ｃｋ（
ｐ）：
进行 Ｐ的常识 检查 ，
如果冲 突，
则返 回一
１．如果 ＿＿７ Ｂ（
Ｆａｔ
ｈｅｒ
ｓ（ｐ）
）＆Ｅ ≥ ０
－－
－
￣Ｑｕ
ｅｓｔ
ｉｏｎ（
ｘ，Ｂｒ
ｏｔｈｅ
ｒｓ（
ｐ））
不冲 突返 回１，
检 查不出结果返 回０。 类似 Ｓ５，
由于查找 兄弟 节点 的代价要 比查找祖 先节 点的
Ｓｔ
ａｔｅ（
ｐ）：
判 断 ｐ是 否是 陈述 句 ，
如 果是返 回 ｔ
ｒｕｅ．
否则 代价要高，
所以优先级必 Ｓ５
要低。
返 回ｆ
ａｌｓ
ｅ。 Ｓ７：Ｂ Ｉ（… ，
Ｐ＞８Ｌ—－
７Ｂｐ＆－
－，ＳＢ．
ｐ ８Ｌ
—－７Ｂ （Ｆａｔ
ｈｅｒ
ｓ（Ｐ））８Ｌ
Ｆａｔ
ｈｅｒ
ｓ（ｐ）：
返 回 Ｐ的祖先命题集。比如 Ｐ：
牛有腿吗？ —
ＢＩ（
Ｂｒｏ
ｔｈｅｒ
ｓ（Ｐ））
￣ｔａｔ
ｅ（Ｐ）
＆Ｃｈ
ｅｃｋ（
ｘ，Ｐ）一 ０＆Ｅ ≥ 一 １一
Ｆａ
ｔｈｅ
ｒｓ（
ｐ）一｛
ｐｌ，
ｐ２，
ｐ３，
ｐ４｝
，ｐｌ：
家畜有腿吗？
ｐ２：
陆生哺乳 Ｌｅａｒｎｉ
ｎｇ（ｙ，
ｐ）

动物有腿 吗？
ｐ３：
哺 乳动物有腿吗 ？
ｐ４：
动物有腿吗 ？ 如果 从 Ｐ的祖先 和 兄弟结 点都 无法得 出答 案 ，
Ｐ是 陈述
Ｂｒ
ｏｔｈｅ
ｒｓ（
ｐ）：
返回 Ｐ的兄弟命题集。
比如 Ｐ：
黄牛有腿吗？ 命题 ，
且 ｘ对 Ｐ的常识检查也无法得出答案，
而且情绪值不太
Ｂｒ
ｏｔｈｅｒ
ｓ（ｐ）一｛
ｐｌ，
ｐ２｝，
ｐ１：
奶牛有 腿吗？
ｐ２：
水 牛有腿 吗？ 坏．
ｘ就把 Ｐ学习成 自己的 ｂ
ｅｌｉ
ｅｆ。
Ｃｏｎｔ
ａｃｔ
（ｘ，
ｐ）一｛
ｑＪＢＩ
（ｑ—ｐ）｝
：如果 ｑ—ｐ并且 ｒ
—ｐ，
则 Ｓ８：Ｂ Ｉ＜… ，Ｐ＞＆一 Ｂｐ￣－－
，ＳＢ．
ｐ＆ Ｃｏｎｔ
ａｃｔ（ｘ，Ｐ）一 ＆
Ｃｏｎ
ｔａｃ
ｔ（ｘ，
ｐ）一 ｛
ｑ，ｒ｝ 一 １
３．（
Ｆａｔ
ｈｅｒｓ（Ｐ））８Ｌ
＿７Ｂ （Ｂｒｏｔｈｅｒ
ｓ（Ｐ））８Ｌ
＿７Ｓｔ
ａｔｅ（
Ｐ）＆Ｅ ≥ 一
Ｄｅ
ｌ（ＢＩ（
ｐ＞）：
如果 ＢＩ
Ｉ（Ｐｌ，
Ｐ２，
…，ｐ ＞，
则经过 此 函数 ， １－
－￣Ｉ
ｇｎｏｒ
ａｎｃｅ（ｘ，
ｑ）

结 果为 ：
ＢＩＩ
，（Ｐｌ，
Ｐ２，
…，Ｐ一ｌ
＞ 如果 Ｐ的关联命题为空，
且从祖先和兄弟节点都无法给
Ａｄｄ（ Ｉ（
ｐ＞）：
同上 一个函数正好相反 出答案，
而且情绪值不太坏，
Ｐ是 ｙ说出的非陈述旬 ，
ｘ忽略
Ｆｅ
ｅｌｉ
ｎｇ（
ｘ）：
获取 ｘ当前 的情绪值 Ｐ，
选 择放弃 。
Ｅｍｏ
ｔｉｏ
ｎ（ｘ）：
获取 ｘ当前 的情感值 Ｓ９：
ＢＩ（
…，ｐ＞
８Ｌ＿
７Ｂｐ
＆－－
￣ＳＢｐ８
ＬＥ ≤一２
—，Ｈａ
ｌｔ［
ｘ，ｐ］
４
．３．
２ 基 本推 理 规 则 如果 ｘ不知道 Ｐ．
且 ｘ因为 Ｙ心情极 坏 ，
则 ｘ强制 中断 和
Ｉ１：
１３．
ｐ＆ ＢＩ（
ｐ— ｑ）一 Ｂ．
ｐ Ｙ的对话 。
Ｉ
２：Ｂｐ
８ＬＢ ｑ— ＢＩ
（ｐ８ｑ） Ｓ１０：Ｂ Ｉ（ ＞８Ｌ
一 （ＤＩ
ｐ＆一 Ｂ，
ｐ）８Ｌ
一 （Ｄｘｐ ８Ｌ—ＳＢＩ
Ｐ）一

Ｉ３：
ＢＩ（
ｐ— ｑ）
８ＬＢＩ（ｒ
— ｑ）
一 ＢＩ（ｐＶｒ
— ｑ） Ｓｕ
ｃｃｅ
ｓｓ［］：
ｘ和 Ｙ的认知状态重新达到了新的平衡，
成功退
出。
４
．３．
３ 基 本话语行 为
Ｓｔ
ａｔｅＩ
ｘ，ｐ］［
ＥＩ］
ＩＦ］：
ｘ使用陈述句表达 Ｐ，
其中 ＥＩ和 Ｆ 以上策略的优 先级 是逐渐降低 的。
４．３
．５ 认知语 境的 更新规 则
分别代表 ｘ当前的情绪值和情感值
Ｑｕｅ
ｓｔｉ
ｏｎ ｘ，
ｐ］：
ｘ使用疑问句表达 ｐ Ｕ１：
Ｓｔａｔ
ｅＩｘ，
ｐ］［
Ｅ ］８ＬＢＩ（
ｐ＞—
，Ｂ，
ｐ＆Ｄｅ
ｌ（Ｂ —ＢＰ）
￣３ｅ
ｌ（Ｂ Ｉ（
ｐ＞）
８Ｌ（
Ｅ 一Ｅ ＋Ｅ ）
Ｉ
ｇｎｏｒ
ａｎｃ
ｅ［ｘ，
ｐ］：
ｘ没有 Ｐ的见解，
放弃
Ｕ２：
Ｓｔａ
ｔｅＩ
ｘ，Ｐｉｌ
Ｅ］８
ｄＢ。
－７Ｉ（
ｐ＞＆Ｃｈｅ
ｃｋ（
ｙ，Ｐ）
一Ｂｙ
（ｐ＞
＆（
Ｓｕ
ｐｐｏ
ｓｉｔ
ｉｏｎ［
ｘ，ｐ］：
ｘ假设 Ｐ成立
Ｅ 一Ｅ ＋Ｅ ）
Ｌｅ
ａｒｎｉ
ｎｇ ｘ，
ｐ］：ｘ学习 Ｐ
如 果 ｘ陈述 了 Ｐ，
但 Ｙ没有 想知道 Ｐ的意 图 ，
此 时进行 常
ＦＳｕｐｐｏ
ｒｔ ｘ，
ｙ］：ｘ响应 Ｙ的不稳定情感，
包括安慰、
同
识检 查 ，
如果 没有冲突 ，
Ｙ就 相信 Ｐ是正 确的 。
情，
支持 ，
鼓励和祝福等。
Ｕ３：
Ｑｕｅ
ｓｔｉ
ｏｎ ｘ，
ｐ］一Ｂｙ
Ｉ（ｐ＞
Ｓｕｃ
ｃｅｓ
ｓ口：一轮对话成功结束
Ｕ４：
Ｓｕｐｐｏ
ｓｉｔ
ｉｏｎ ｘ，
ｐ］一ＳＢＩ
（ｐ＞
Ｈａｌ
ｔ［］：一轮对话因为意外而被强制中段
Ｕ５：
Ｉｇｎｏｒ
ａｎｃ
ｅ ｘ，
ｐ］一 —ＢＩ
ｐＳ￣
Ｄｅｌ
（ＢＩ
ｙ（ｐ＞）
８‘
Ｊ）ｅ
ｌ（Ｄｙ
ｐ）
４
．３．
４ 对话 策略
Ｕ６：
Ｌｅａｒ
ｎｉｎｇ ｘ，
ｐ］一ＢＩ
Ｐ
ＳＯ：
ＤＩｐ８
ＬＢｐ
８ＬＢＩ（
（２ｊ
＞－￣Ｑｕ
ｅｓｔ
ｉｏｎＩ
ｘ，ｐ］：
每一轮都 由
Ｕ７：
Ｆｓｕｐ
ｐｏｒ
ｔ［ｘ，
ｙ］一Ｉ
ＦＩ—Ｉ
ＦＩ＋１
此状 态开始 ，
人首先 提 出问题 。
Ｕ８：
ＳＢＰ＆Ｃｈ
ｅｃｋ ｘ，
ｐ］＝一１
—，Ｄｅ
ｌ（ＳＢｐ）
＆—ＢＰ
Ｓ１：
Ｆｙ≠０
一ＦＳｕｐｐｏ
ｒｔ ｘ，
ｙ］
如果原有 ｘ假设 Ｐ成立，
但是由于知识的更新，
ｘ得到 Ｐ
ｓ２：
Ｂ．Ｉ（
…，ｐ＞＆（
ＢｐＩ
Ｉ
ＳＢｐ）
－＇
－
￣Ｓｔ
ａｔｅ［
ｘ，Ｐｉｌ
Ｅ］Ｉ
Ｆ］
是不成 立的 ，
此时应删除假设 。
Ｓ３：
ＢＩｙ（… ，
Ｐ＞８
Ｌ—Ｂ ｐ８
Ｌ－－
，ＳＢ．
ｐ８Ｌｑ∈Ｃｏ
ｎｔａ
ｃｔ（
ｘ，Ｐ）
８Ｌ
Ｕ９：Ｓｕｃ
ｃｅｓｓ［
］一０ 成功退出不会对认知语境带来改变。
＿ ７ ＢＩ
－７Ｂｙ
ｑ－－
￣Ｑｕ
ｅｓｔ
ｉｏｎＩ
ｘ，ｑ］ ｕ１０：Ｈａｌ
ｔ［］一。 强行中断对话不会对认知语境带来改
如果当前 ｐ是 ｙ想要知道的命题。
但是 ｘ却不能够直接 变。
给出答案，
不过 ｘ知道和Ｐ关联的一些命题 ，
如果确定了其中 ４．３．６ 实 例 分 析
的一个 ，
就能够确 定 Ｐ，
所 以 ｘ主动 询 问 ｙ是 否能确 定这些关 接下 来让我们 来看 一个人机 对话 的实例 ，
它 以上 面 介绍
联命题。
一般 ｘ会拿出和 ｐ第一个关联的命题询问，
如果 ｙ给 的认知语境的构成元素和规则为基础 ，
首先我们提供一个实
不出答案 ，
ｘ再依次取出后面的关联命题询问。 例 的抽象解释 ．
而后会给 出具 体的 自然语 言对话 实例 。
Ｓ４：
ＢＩ，（… ，
ｐ＞８Ｌ
１Ｂ Ｐ８Ｌ
１ＳＢ Ｐ８Ｌｑ∈Ｃｏｎｔ
ａｃｔ（ｘ，
Ｐ）８ＬＢ 表１中，
Ｍ（Ｍａ
ｃｈｉ
ｎｅ）
代表机器 ，
Ｈ（Ｈｕｍａ
ｎ）代表人。
一 Ｂ，
ｑ＆Ｅｘ≥ 一１
－－
－
￣Ｓｕｐｐ
ｏｓｉ
ｔｉｏ
ｎ ｘ，
ｑ］ 假设 Ｍ 已有知识是 ：
ｑ∈Ｂｒ
ｏｔｈｔ
ｅｒｓ（
ｐ），ｑ一一ｐ
如果 ｘ不能确定 ｙ想知道的 Ｐ，
并且 ｘ知道 ｙ也不能确 表１
所示的该轮对话中，
Ｍ 和 Ｈ试图去解决问题 ：
ｐ是否
定和 Ｐ相关联的命题 ，
若此时 ｘ的情绪不是很坏的话 ．
ｘ花费 （
下 转 第７２页 ）
・３５・
 维普资讯 http://www.cqvip.com

小。
优化参 数少 ，
可避 免陷入 局部极 小的 问题 。
在 实际实 现过
程 中。
一般图像偏差控制 在几十个像 素内 ，
即可快速高 质量地
建立全景 图像 。

参 考 文 献
１ Ｚｅｌ
ｉｎｉｋ—Ｍａｎｏｒ
．２．１ｒａｎｉ
． Ｍ．Ｍ ｕｈｉ —
Ｔｒａｍｅ Ｅｓｔｉ
ｍａｔ
ｅ ｏｆ Ｐｌ
ａｎａｒ
Ｍｏｔｉｏｎ．ＩＥＥＥ Ｔｒ
ａｎｓ
ａｃｔｉ
ｏｎ ｏｎ ＰＡＭＩ．２０
００，２２（
１０）
２ Ｓｚ
ｅｌｉ
ｓｋｉＲ．Ｖｉ
ｄｅｏＭｏｓ
ａｉｃｓｆ
ｏｒＶｉ
ｒｔｕａ
ｌＥｎｖｉ
ｒｏｎｍｅ
ｎｔ．
ＩＥＥＥ ＣＣ
，ＱＡ，
Ｍａ ｒｃｈ．１９９６
３ Ｓａｗｈｎｅ ｙ Ｓ Ｈ．Ｔｒ ｕｅＭ ｕｈｉ—ＴｒａｍｅＡ ｌｉｇｎｍ ｅ
ｎｔ ｓ ａｎｄ ｉｔｓ Ａｐｐｌ
ｉｃａｔｉ
ｏｎ
ｔｏ Ｍ ｏｓａｉ
ｃｉｎｇ ａｎｄ Ｌｅｎｓ Ｄｉ
ｓｔｏｒｔｉ
ｏｎ Ｃｏｎｎｅｃｔｉｏｎ．Ｉ ＥＥＥ Ｔｒ ａｎｓａｔｃｉ
ｏｎ
图２ 全景 图像 ｏｎ ＰＡＭＩ．１９ ９９，２１（３）
４ Ｓｈｕｍ Ｈ ， Ｓｚ ｅｌ
ｉｓｋｉ Ｒ． Ｓｙｓ ｔ
ｅｍ ａｎｄ Ｅｘｐｅｒ ｉｍｅｎｔｓ Ｐａｐｅｒ ：
Ｃｏｎｓｔ ｒ
ｕｃｔｉ
ｏｎｏｆＰａｎｏｒ ａｍｉｃＩｍａｇｅＭｏｓ ａｉ
ｃｓ ｗｉ ｔ
ｈ Ｇｌ ｏｂａｌａ ｎｄ Ｌｏｃ
ａｌ
结束语 本文提出的仿射变换模型，
能够在图像偏差较 Ａｌ
ｉｇｎｍｅｎｔ
．Ｉｎｔ
ｅｒｎａ
ｔｉｏｎａｌＪ
ｏｕｒ
ｎａｌｏｆＣｏｍｐｕｔ
ｅｒ Ｖｉ
ｓｉｏｎ．２０００，３６
大 的情况 下 实现 图像 的 自动整合 。如果只 采用层 次模型 直接 （
２）：
１０１
～ １３０
５ 马颂 德．
计 算机视觉．
科学 出版社 。
１９９７
对齐 图像 ，
则 两 图像 的偏差仅 能在几 个像素 范围内。
在 实际 实 ６ Ａｎａｄａｎ Ｋ Ｒ Ｐ．Ｒｅｐｒｅｓｅｎｔ
ｊｔｉ
Ｏｎ ｏ
ｆ ｓ
ｃｅｎｅ ｆ
ｒｏｍ ｃ
ｏｌｌ
ｅｃｔ
ｉｏｎ ｏｆ
ｉ
ｍａｇｅｓ．Ｉ
ＥＥＥ ＣＶＰＲ １９９５
现中．
工作量太大，
算法无实际意义。
该方法速度快 ，
工作量

（上 接 第 ３５页 ） 习的能力。
虽然所能处理的问题还比较简单．
但有理由相信．
为真 ，
初始 状态 有 Ｈ提 出问题 ，
终止 的时候 问题 得到 了解决 ， 规则 和知识库 的逐渐 丰富将会带来可 喜的效果 。
Ｈ 和 Ｍ 都相 信 Ｐ是 假的 。 语 境在话 语理解 中是非 常重要 的参 考 因素 ．
并 且它 是个
首先 Ｈ询问 Ｍ 是否 Ｐ是真 的，
Ｍ 接到问题后没有直接 随着时 间、
空 间、
周 围环境 的变化 以及交 流的进行 不断变化着
的 ｂｅ
ｌｉ
ｅｆ给出答案。
所以只有先去询问自身的 Ｐ祖先命题集， 的量．
这正是我们话语分析中遇到的最大困难。 难以做到对语
但从祖 先也无法得 出答案 ，
只好转 向兄弟命题集去 求解问题 ． 境的精确把握，
也就难以做到对话的连贯和 自然 。
纵观科学发
由于 ｑ是 Ｐ的兄弟命题集的一个元素，
ｑ是成立的，
根据封闭 展的历史 ，
但凡一 门技 术和 科学 ，
如果没有 一个可靠 的理论 作
世 界假设 ，
得 出 Ｐ不成立 ，
此时 Ｈ 提 出的问题得到 了解决 ，
成 保证，
就像空中楼阁虚幻而不会长久。
尽管我们见到了不少对
功退 出。 话程序成功地通过了各类测试，
但是这并不能说明我们找到
为 了让这个例子 更加具体 实用 ，
来 看下面的实例 ： 了机器理解 自然语言的有效办法。
话语理解缺乏的不但是对
机器具有知识：
奶牛会产奶。 各 类信息的形 式化 描述 。
更缺乏扎 实可靠 有效 的理论 基础 。
我
奶牛和黄牛都是牛的儿子结点。 们期待不久的将来能够努力建立一套更加完整、实用且可计
Ｈ询问 Ｍ：
黄牛会产奶吗？ 算 的话语解释 理论 。
经过上面的推理过程 Ｍ 能够得出答案：
黄牛不会产奶。
参 考 文 献
满 足了 Ｈ 的愿 望 。
双方 的愿 望达 到 了新 的平 衡 ．
问题 得到 了
解决 。 １ Ｌｕ Ｒｕｑｉａｎ． Ｚｈａｎｇ Ｓｏｎｇｍａｏ． ＰＡＮＧＵ — Ａｎ ａｇｅｎｔ －ｏｒｉ
ｅｎｔ ｅｄ
ｋｎｏｗｌ
ｅｄｇｅ ｂａｓｅ． Ｉ
ｎ：Ｐｒ ｏｃ
ｅｓｓｉ
ｎｇ ｏｆ Ｃｏｎｆ
ｅｒｅｎｃ
ｅ ｏｎ Ｉ
ｎｔ ｅｌ
ｌｉｇｅｎｔ
Ｉ
ｎｆｏｒ
ｍａｔ
ｉｏｎ Ｐｒ
ｏｃｅｓ
ｓｉｎｇ（１６
ｔｈ ｗｃ
ｃ２０００）。
４８６
～ ４９３
表１ ２ ＢｅｕｎＲ—
Ｊ。Ｏｎ ｔ
ｈｅｇｅｎｅ
ｒａｔ
ｉｏｎ ｏｆｃ
ｏｈｅｒ
ｅｎｔｄ
ｉａｌ
ｏｇｕｅ．Ｐｒａ
ｇｍａｔ
ｉｃｓ＆
Ｍ ＡＣＴ ＯＮＳ Ｈ Ｃｏｇｎｉ
ｔｉｏｎ。
２００１。
９： １．３７～６８．Ｉ
ＳＳＮ ０９２９—０９０７ ，
３ Ｓａｙｇｉ
ｎ Ａ Ｐ。ＣｉｃｅｋｌｉＩ．Ｐｒ
ａｇｍａｔｉ
ｃｓ ｉ
ｎ ｈｕｍａｎ－ｃｏｍｐｕｔ
ｅｒ ｃ
ｏｎｖｅｒ
ｓａ－
ＢＭ ＢＭＩ
ＨＢＭ－
－ｒＢＨ ＢＨＩ
Ｍ ＢＭ－
＇￣ＢＨ
ｔ
ｉｏｎｓ．Ｊ
ｏｕｒｎａ
ｌｏｆＰｒ
ａｇｍａｔ
ｉｃｓ。
２００２，
３４：
２２７～ ２５８
初 始 Ｓｏ ４ 周 月娇．
基于 常识 的二义性排除 ；
［硕士论文 ］
．中科院数学所 ．
１９９
８
５ Ｂｒ
ｏｗｎ Ｇ ．Ｙｕｌ
ｅ Ｇ． Ｄｉ
ｓｃｏｕｒｓ
ｅ Ａ ｎａ
ｌｙｓ
ｅ． Ｃａｍｂｒ
ｉｄｇｅ Ｕｎｉ
ｖｅｒ
ｓｉｔ
ｙ
Ｑｕ
ｅｓｔ
ｉｏｎ［Ｈ．
Ｐｒ
ｅｓｓ．
１９８３
ｐ］ ６ Ｐｅ
ｃｃｅｉＪＳ．Ｐｒ
ａｇｍａｔ
ｉｃｓ．Ｒｏｕｔ
ｌｅｄｇｅＰｒ
ｅｓｓ。１９９９
Ｓｓ （
Ｐ） ７ Ｗ ａｎｇ Ｈｕｉ
．Ｚｈａｎ Ｗ ｅｉ
ｄｏｎｇ。Ｙｕ Ｓｈｉ
ｗｅｎ． Ｔｈｅ Ｄｅｖｅｌ
ｏｐｍ ｅ
ｎｔ ｏｆ

Ｑｕ
ｅｓｔ
ｉｏｎＥ
Ｍ。 Ｓｅｍａｎｔ
ｉｃ Ｋｎｏｗｌ
ｅｄｇｅ
—ｂａ
ｓｅ ｏ
ｆ Ｃｏｎｔ
ｅｍ ｐｏｒ
ａｒｙ Ｃｈｉ
ｎｅｓ
ｅ ａｎｄ ｉ
ｔｓ
Ａｐｐｌｉ
ｃａｔ
ｉｏｎｓ． Ｔｈｅ Ｓｅｃｏｎｄ Ｃｈｉ
ｎａ—Ｊａｐａｎ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ
Ｆａ
ｔｈｅ
ｒｓ（
ｐ）］ Ｐｒｃｅｓ
ｏ ｓｉ
ｎｇ Ｊｏｉ
ｎｔＲｅｓｅａｒ
ｃｈ Ｐｒ
ｏｍｏｔ
ｉｏｎ Ｃｏｎｆ．ＣＪＮＬＰ，２００２．２１１～
Ｓ８ （
ｐ） Ｆａｔ
ｈｅｒｓ（
ｐ） ２２５
Ｉ
ｇｎｏ
ｒａｎ
ｃｅ［
Ｍ． ８ 杨帆．图灵测 试中对 话处理 研究 ：［
硕士论文］． 中科院数学所 。２０
０１
Ｆａ
ｔｈｅ
ｒｓ（
ｐ）］ ９ 何 自然 ．
冉永 平．
语 用和认 知 一关联 理论研 究、
外语 教学 和研究 出
版社 ．
２００１
Ｓ６ ＜
Ｐ） （
２ｊ Ｆａ
ｔｈｅ
ｒｓ（
ｐ） １０ Ｚｈｅ
ｎｇ Ｈｏｎｇ。ＬｕＲｕｑｉ
ａｎ，
ｅｔａ１
．Ｏｎｔ
ｏｌｏｇｙ
—Ｂａｓ
ｅｄ Ｓ
ｅ ｍ ａｎｔ
ｉｃＣａ
ｃｈｅｉ
ｎ
Ｑｕｅ
ｓｔｉ
ｏｎＥ
Ｍ． ＡＯＫＢ．Ｊｏｕｒ
ｎａｌｏｆＣｏｍｐｕｔ
ｅｒＳ
ｅｉｅ
ｎｃｅ＆ Ｔｅｃ
ｈｎｏｌ
ｏｇｙ，
２００２，
１７（
Ｓ）：
６５７～ ６６４
Ｂｒ
ｏｔｈ
ｅｒｓ（
ｐ）］ ｌｌ Ｂｅｚｕｉｄｅ
ｎｈｏｕｔ Ａ． Ｃｕｔ ｔｉ
ｎｇ Ｊ Ｃ． Ｌｉ ｔｅｒ
ｌ ｍｅａｎｉ
ａ ｎｇ， ｍｉ
ｎｉｍａＩ
Ｓ２ —７
ｐ （
ｐ） Ｆａｔ
ｈｅｒ
ｓ（ｐ） ｐｒｏｐｏｓｉ
ｔｉｏｎｓ。ａｎｄ ｐｒ
ａｇｍａｔｉ
ｃ ｐｒ
ｃｅｓｓ
ｏ ｉｎｇ、 Ｊ
ｏｕｎｒ
ａｌｏｆＰｒａｇｍａｔｉ
ｃｓ，
Ｓｔ
ａｔｅ ［Ｍ。 ２００２．
３４：
４３３～ ４５６
１２ Ｋｒ
ａｈｍｅｒ Ｅ． Ｐｉ
ｗｅｋ Ｐ．
Ｐｒｅｓ
ｕｐｐｏｓ
ｉｔｉ
ｏｎ ｐｒｏ
ｊｅｃｔ
ｉｏｎ ａｓ ｐｒｏ
ｏｆ
－
－
－，
ｐ］Ｅ
ｏ］Ｅ
ｏ］ ｃ
ｏｎｓｔ
ｒｕｃ
ｔｉｏｎ． Ｉ
ｎ：Ｈ．Ｂｕｎｔ。Ｒ．Ｍ ｕｓ
ｋｅｎｓ。ｅ
ｄｓ．Ｃ
ｏ ｍ ｐｕｔ
ｉｎｇ Ｍ ｅａｎｉ
ｎｇ。
Ｓｌ
ｏ —７
ｐ Ｆａｔ
ｈｅｒ
ｓ（ｐ）
１９９９。１：
２８１～ ３
００
Ｓ
ｕｃｃ
ｅｓｓ
［］ １３ Ｈａｌｐｅｒｎ Ｊ．Ｍｏｓｅｓ Ｙ．Ｋｎｏｗｌｅｄｇｅ ａｎｄ ｃ
ｏｎｕｎｏｎ ｋｎｏｗｌｅ
ｄｇｅ ｉｎａ
ｄｉ
ｓｔｒｉ
ｂｕｔｅｄｅｎｖｉ
ｒｏｎｍｅｎｔ．ＪｏｕｎｒａｌｏｆｔｈｅＡＣＭ 。１９９０。３７：
５４９～ ５８７
１４ Ｂｕｎｔ Ｈ．Ｃｏｎｔ
ｅｘｔ ＲｅＤｒ
ｅｓｅｎｔ
ａｔｉ
ｏｎ ｆ
ｏｒ Ｄｉ
ａｌｏｇｕｅ Ｍ ａ
ｎａｇｅｍｅｎｔ
．Ｉｎ：
结束语 通过分析当前的认知语境。
而获得对话语的适 Ｐ．Ｂｏｕｑｕｅｔ．
Ｌ．Ｓｅｒ ａｆ
ｉｎｉ．
ｅｄｓ． Ｍｏｄｅｌ
ｉｎｇ ａｎｄ Ｕｓｉ
ｎｇ Ｃｏｎｔｅｘｔ
．Ｌｅｃｔ
ｕｒｅ
当解释 ，
很 多人做过这 种方法的 尝试 。
但都 没有收到很好 的效 Ｎｏｔｅｓｉｎ Ａｒ
ｔｉｆ
ｉｃｉ
ａｌＩｎｔｅｌ
ｌｉｇｅｎｃｅＶｏ１．１６６８、Ｂｅｒｌ
ｉｎ：
Ｓｐｒｉｎｇｅｒ
１５ Ｌｕ Ｒｕｑｉ
ａｎ。 ｅｔ ａ１
．Ａ ｇｅ
ｎｔ ｏ
ｒｉｅ
ｎｔｅｄ ｃｏｍｍｏｎｓ
ｅｎｓ
ｅ ｋｎｏｗｌ
ｅｄｇｅ
果。
本文设计的 ＣＢＴ提供了一套话语理解过程中认知语境信 ｂ
ａｓｅ
．Ａｃｔ
ａ Ｓｃｉ
ｅｎｔ
ｉａ．
２０００，
４３（
６）：
６４ｌ～ ６５２
息的形式化生成和更新规则，
并且具备了常识检查和机器学
・７２ ・