Natural Language Processing: The PLNLP Approach

زبان طبیعی برای مردم آسان و برای ماشین ها سخت است. برای دو نسل، هدف وسوسه‌انگیز این بوده است که رایانه‌ها با زبان‌های انسانی به روش‌هایی کار کنند که برای مردم جذاب و مفید باشد. موانع زیاد و افسانه ای هستند.
پردازش زبان طبیعی: رویکرد PLNLP دهه تحقیق یک گروه را برای دستیابی به آن هدف توصیف می کند. یک سیستم NLP با پوشش بسیار گسترده، شامل ابزارهای توسعه زبان برنامه نویسی (PLNLP) و اجزای تجزیه و تحلیل و ترکیب، توسعه داده شد و در انواع برنامه های کاربردی شناخته شده، از نقد متن (CRITIQUE) تا ترجمه ماشینی (مانند SHALT) گنجانده شد. ). این کتاب نشان دهنده اولین مجموعه مقالات منتشر شده در توصیف سیستم و نحوه استفاده از آن است. بیست و شش نویسنده از 9 کشور در این جلد مشارکت داشتند.
تجزیه و تحلیل زبان طبیعی، در رویکرد PLNLP، در شش مرحله انجام می شود که به آرامی از نحو از طریق معناشناسی به گفتمان حرکت می کند. طرح نحوی اولیه توسط یک گرامر ساختار عبارت افزوده (APSG) ارائه شده است که منحصراً از قوانین باینری استفاده می کند و هدف آن تولید برخی تحلیل های معقول برای هر رشته ورودی است. تجزیه و تحلیل «تقریبی» آن به مؤلفه تخصیص مجدد منتقل می‌شود، که پیوست‌های نحوی پیش‌فرض را می‌گیرد و با استفاده از اطلاعات معنایی به‌دست‌آمده از تجزیه تعاریف و جملات نمونه از فرهنگ‌های قابل خواندن ماشینی، آنها را تنظیم می‌کند. این تکنیک نمونه‌ای از یکی از جنبه‌های رویکرد PLNLP است: استفاده از زبان طبیعی خود به‌عنوان زبان بازنمایی دانش -- نوآوری که اجازه می‌دهد طیف گسترده‌ای از مواد متنی آنلاین به عنوان منابع اطلاعات معنایی مورد بهره‌برداری قرار گیرد.
مرحله بعدی ساختار آرگومان درون ذاتی را محاسبه می‌کند و همه مراجع، هم NP- و هم VP-anaphora را که در این مرحله از پردازش قابل درمان هستند، حل می‌کند. متعاقباً، مؤلفه‌های اضافی، که در حال حاضر به خوبی مؤلفه‌های قبلی توسعه نیافته‌اند، با ابهام‌زدایی بیشتر از حواس کلمات، عادی‌سازی جملات و ساخت مدل پاراگراف (گفتمان) با پیوستن به نمودارهای معنایی جمله‌ای، مقابله می‌کنند.
پردازش زبان طبیعی: رویکرد PLNLP خواننده را با تئوری و کاربرد یک سیستم NLP کار، دنیای واقعی و بدون دامنه آشنا می‌کند و تلاش می‌کند شکاف بین محاسباتی و نظری را پر کند. مدل های ساختار زبانی این منبع ارزشمندی برای دانش‌آموزان، معلمان و محققان در زمینه‌های زبان‌شناسی محاسباتی، پردازش طبیعی، هوش مصنوعی و علم اطلاعات فراهم می‌کند.

Natural language is easy for people and hard for machines. For two generations, the tantalizing goal has been to get computers to handle human languages in ways that will be compelling and useful to people. Obstacles are many and legendary.
Natural Language Processing: The PLNLP Approach describes one group's decade of research in pursuit of that goal. A very broad coverage NLP system, including a programming language (PLNLP) development tools, and analysis and synthesis components, was developed and incorporated into a variety of well-known practical applications, ranging from text critiquing (CRITIQUE) to machine translation (e.g. SHALT). This books represents the first published collection of papers describing the system and how it has been used. Twenty-six authors from nine countries contributed to this volume.
Natural language analysis, in the PLNLP approach, is done is six stages that move smoothly from syntax through semantics into discourse. The initial syntactic sketch is provided by an Augmented Phrase Structure Grammar (APSG) that uses exclusively binary rules and aims to produce some reasonable analysis for any input string. Its `approximate' analysis passes to the reassignment component, which takes the default syntactic attachments and adjusts them, using semantic information obtained by parsing definitions and example sentences from machine-readable dictionaries. This technique is an example of one facet of the PLNLP approach: the use of natural language itself as a knowledge representation language -- an innovation that permits a wide variety of online text materials to be exploited as sources of semantic information.
The next stage computes the intrasential argument structure and resolves all references, both NP- and VP-anaphora, that can be treated at this point in the processing. Subsequently, additional components, currently not so well developed as the earlier ones, handle the further disambiguation of word senses, the normalization of paraphrases, and the construction of a paragraph (discourse) model by joining sentential semantic graphs.
Natural Language Processing: The PLNLP Approach acquaints the reader with the theory and application of a working, real-world, domain-free NLP system, and attempts to bridge the gap between computational and theoretical models of linguistic structure. It provides a valuable resource for students, teachers, and researchers in the areas of computational linguistics, natural processing, artificial intelligence, and information science.