суперечки . І дотепер точно не встановлено , скільки усього існує відмінків.
Також встворював ускладнення той факт , що слоти не завжди можуть бути перехідними. Наприклад , у відповідністю із ТФ можна сказати , що фрейм одухотворений предмет може мати слот живий , фрейм людина може мати слот чесний, а фрейм блоха не може мати такий слот , і він до нього ніколи не перейде .
Іншими словами , зв'язки між слотами в ТФ не є досліджуваними до кінця. Слоты можуть передаватися, можуть бути багатофункціональними , але в той же час не розглядаються як функції . Гібридні системи СФ іноді адаптуються для побудови описів або визначень . Була створена змішана мова , названа KRYPTON , що складається з фреймових компонентів і компонентів предикатних числень , що допомагають робити певні висновки за допомогою термінів і предикатів. Коли активізується фрейм , факти стають доступними користувачу . Також існує мова Loops , що об'єднує об'єкти , логічне програмування і процедури .
Існують також фреймоподібні мови , що за вихідну позицію приймають один тип даних у пам'яті , певну концепцію , а не дві / наприклад фрейм та слот / , і уявлення цієї концепції в пам'яті повинно бути суцільним .
Об'єктно - орієнтовані мови
Паралельно з мовами фреймів існують об’єктно - орієнтовані програмні мови , що використовуються для упорядкування програм , але мають деякі властивості мов фреймів , такі , як використання слотів для детальної , прискіпливої класифікації об'єктів. Відмінність їх від мов фреймів полягає у тому , що фреймові мови спрямовані на більш узагальнене уявлення інформації про об'єкт .
Однією з тяжких сторін уявлення знань і мови фреймів є відсутність формальної семантики . Це ускладнює порівняння властивостей представлення знань різноманітних мов фреймів , а також повне логічне пояснення мови фреймів .
Основні проблеми обробки природньої мови
Основною проблемою NLP є мовна неоднозначність. Існують різні види неоднозначності:
Синтаксична (структурна) неоднозначність: у фразі Time flies like an arrow для ЕОМ не зрозуміло, чи йде мова про час, що летить, або про мух, тобто чи є слово flies дієсловом чи іменником.
Значеннева неоднозначність: у фразі The man went to the bank to get some money and jumped in слово bank може означати як банк, так і берег.
Відмінкова неоднозначність: предлог in у реченнях He ran the mile in four minutes/He ran the mile in the Olympics позначає або час, або місце, тобто подані цілком різноманітні відношення.
Референційна неоднозначність: для системи, що не володіє знаннями про реальний світ, буде важко визначити, із яким словом - table або cake - співвідноситься займенник it у фразі I took the cake from the table and ate it.
Літерація (Literalness): у діалозі Can you open the door? - I feel cold ні прохання, ані відповідь не виражені стандартним засобом. У інших обставинах на питання може бути отримана пряма відповідь yes/no, але в даному випадку в питанні імпліцитно виражене прохання відчинити двері.
Центральна проблема як для загальної, так і для прикладної NLP - дозвіл такого роду неоднозначностей - вирішується за допомогою перекладу зовнішнього представлення на ПМ в якусь внутрішню структуру. Для загальної NLP таке перетворення потребує набору знань про реальний світ. Так, для аналізу фрази Jack took the bread from the supermarket shelf, paid for it, and left і для коректної відповіді на такі питання, як What did Jack pay for?, What did Jack leave? та Did Jack have the bread with him when he left? необхідно знання про супермаркети, процеси покупки та продажу і деякі інші.
Прикладні системи NLP мають перевагу перед загальними, тому що працюють у вузьких предметних областях. Наприклад, системі, яка використовується продавцями в магазинах по продажу комп'ютерів, не потрібно ”роздумувати” над неоднозначністю слова terminals при запиті How many terminals are there in the order? .
Проте, створення систем, що мають можливість спілкування на ПМ в широких областях, можливо, хоча поки результати далекі від задовільних.
Технології аналізу природньої мови
Під технологією аналізу ПМ розуміється переклад деякого виразу ПМ у внутрішнє представлення. Фактично всі системи аналізу ПМ можуть бути розподілені на такі категорії: підбір шаблону (Pattern Matching), синтаксичний аналіз, семантичні граматики, аналіз за допомогою відмінкових фреймів, “чекай і дивися” (Wait And See), словниковий експертний (Word Expert), конекціониський, “ковзний” (Skimming) аналіз. Нижче піде мова про деякі найбільш поширені методи, описані у статті.
Підбір шаблону. Сутність даного підходу полягає в інтепретації вводу в цілому, а не в інтепретації змісту і структури його окремих складових на більш низькому рівні. При використанні цього методу відбувається порівняння вже наявних у системі шаблонів-зразків із текстом, що надійшов на вхід. Звичайно шаблони подані у вигляді простого списку відповідностей між класами висловлень і інтепретаціями. Іноді вони доповнені семантичними елементами або іншими компонентами більш високого рівня. За таким принципом працює система Эліза, що імітує діалог із психотерапевтом. У дійсності система нічого не розуміє, а лише підтримує діалог, порівнюючи репліки пацієнта із шаблонами і привласненими їм відповідними відповідними репліками, такими, як:
X завжди Y: | Ви можете привести який-небудь приклад?
Коли?
Дійсно, завжди?
X Ви Y мене: | Чому Ви думаєте, що я Y Вас?
Вам поддобається думати, что я Y Вас, чи не так?
Уявіть, що я Y Вас. Що Ви про