Knowledge-Based Textual Inference via Parse-Tree Transformations 翻译

摘要

Textual Inference（文本推理）是自然语言理解的一个重要组成，文本推理经典的做法是语义的逻辑表示，即自然语言的“外部”，然而，实际应用通常采用shallower词汇或词汇-句法 来表示，也比较接近语言结构，在很多情况下，这种做法缺乏一个主语义表示和推理框架，新的树由应用推理规则生成，会给多种类型的推理提供一个统一的表示，我们使用人工或自动的方法来生成这些规则，包括语言结构和特别的基于词的推理
。我们也介绍一种新包装的数据结构和相应的推理算法 来有效地实现它们。我们这种做法是为了两种任务：一个大的词库里的非监督关系提取 和 Recognizing Textual Entailment(识别文本含义RTE) 基准测试

2 背景

2.2 Determining Entailment

看下面的（t，h）对
t The oddest thing about the UAE is that only 500,000 of the 2 million
people living in the country are UAE citizens.
h The population of the United Arab Emirates is 2 million.
t => h包括很多的推理步骤
首先我们得到命题
（1） 2 million people living in the country
然后我们推理 the country 指的是 the UAE ，就重写为
（2） 2 million people live in the UAE
通过UAE是United Arab Emirates的缩写，就得到
（3） 2 million people live in the United Arab Emirates
最后改述为
（4）The population of the United Arab Emirates is 2 million

文本推理包括很多的知识，比如 改述(X people
live in Y! the population of Y is X), 词汇知识 (UAE! United Arab Emirates),也需要共同取义的词的合并，比如the country代替UAE。我们可以认为所有这些知识就是推理规则。
上面从h到t例子阐述了一串推理规则的应用，也称为forward chaining。

2.3 Knowledge-Based Inference

2.3.1 Semantic Knowledge Resources

Lexical Knowledge 最好的词汇资源是WordNet，一个人工排版覆盖广泛的词汇语义数据库，WordNet包括同义词，反义词，包含关系（小提琴-乐器），部分-全部关系（普罗旺斯-法国），衍生关系（meeting-meet）。
Paraphrases and Lexical-Syntactic Inference Rules(改述及词汇语法推理规则),例如acquisition of Y by X –> X purchase Y 。
Argument-mapped WordNet (AmWN)是动词 和 名词性谓语 之间的推理规则，AmWN基于WordNet和NomLex-Plus,通过unary-DIRT算法验证(Szpektor &
Dagan, 2008).
Syntactic Transformations
举例：
John smiled and laughed => John laughed (conjunction)
My neighbor, John, came in => John is my neighbor (apposition)
The paper that I’m reading is interesting => I’m reading a paper (relative clause).

2.3.2 The Use of Semantic Knowledge in Textual Entailment Systems

文本释义系统通常把t和h根据 句法解析 predicate-argument结构 和 各种语义学关系 表示成树或图，释义这时就由h和t的匹配程度决定，或由t和h的估算距离决定，也被定义为t到h的转换cost。例如，把 purchase=>buy 规则应用到t需要purchase出现在t而buy出现在h。
Hickl (2008) 根据(t，h) 对，提出了discourse commitments，这个commitments由几个不同的技术生成，包括syntax (conjunctions, appositions, relative clauses）co-reference, predicate-argument结构， the extraction of certain relations, and paraphrase acquisition from the Web。
很多从t，h对生成的commitments来给下一阶段的RTE系统使用，也就是lexical alignment和entailment classi cation。
在commitment生成之前，要有很多预处理模块，包括syntactic dependency parsing（句法依存分析），semantic dependency parsing（语义依存分析）, named entity recognition（命名实体识别）, and co-reference resolution。
Hickl使用了有限状态transducer (FST)来做commitment生成。

2.4 Approximate Entailment Classi cation

语义知识总是不完整的，.这样，在大多数情况，基于知识的推理必须通过近似和探索性的手段实现释义，也就是approximate entailment classi cation（近似释义分类），一个通用的RTE系统包括这几个阶段：
1 语言上的处理：包括句法(也可能是语义) 分析, named-entity
recognition, co-reference resolution等等. 通常, t 和 h 被表示成树或图,里面的节点对应单词，节点的连线表示单词之间的关系。
2 Alignment: 通过考虑节点和边线的匹配，找到从h所有节点到t所有节点最好的映射。
3 释义分类: 根据找到的alignment，一组特征被抽取出来，传给分类器。这些特征衡量alignment 质量，也给失败的释义提供线索，比如，h里的一个节点是negated而它的aligned节点不是negated，那么就指示错误的释义。

3 研究目标

4. An Inference Formalism(格式，表示方法) over Parse Trees

算法1 把规则应用到树：

输入：源树s，
     规则E：L->R
输出：一组的生成树，组名D
M = 所有在s里匹配L的 这种匹配 的set
D = null
foreach f in M do
    l = f对应的子树

    r = R.clone()
    foreach v in r do
        v = f(v) 
    foreach ul,ur in pairs(l,r) do
        foreach ul的子节点m in ul do
            这块英文比较乱，我理解是其他无关节点和边拷贝过去
    //未完，这块英文实在难以理解，看图较好 

Passive-to-active tree transformation 图左

Passive-to-active tree transformation 图右

Passive to active substitution rule 如下图

4.2.1 L Matching

满足条件：
对于每个节点u，s上的f(u)存在
对于L里的每一个边 节点u->节点v ， s存在边 f(u)->f(v)