“网球问题”指怎样把racquet(网球拍)、ball(网球)和net(球网)之类具有情境联想关系的词汇概念联系起来、发现它们之间的语义和推理关系。这是一个自然语言处理和相关的语言知识资源建设的世界性难题。该文以求解“网球问题”为目标,对目前比较主流的几种语言词汇和概念知识库系统(包括WordNet、VerbNet、FrameNet、ConceptNet等)进行检讨,指出它们在解决“网球问题”上还都存在一定的局限性,着重分析它们为什么不能解决“网球问题”。进而指出基于生成词库论的名词物性结构知识描写体系可以解决“网球问题”,主张用名词的物性结构知识和相关的句法组合知识来构建一种以名词(实体)为核心的词汇概念网络,以弥补上述几种知识库系统的不足,为自然语言处理提供一种可资参考的词汇概念知识库体系。

由于微信篇幅限制，请查看《中文信息学报》佳文共赏∣ 袁毓林 李强：怎样用物性结构知识解决“网球问题”？（上）以阅读剩余论文上半部分。

5   为什么ConceptNet无法解决“网球问题”？

人工智能领域的研究从20世纪30、40年代开始兴起，早在计算机时代的曙光来临之前，以图灵（Alan Turing，1912-1954）为代表的一批学者就已经提出了关于计算机以及人工智能的设想，他们希望未来可以研制出类似人脑那样具有判断、分析、推理、决策等高级认知能力的计算机，而这也成为人工智能领域的终极目标。在人工智能的发展过程中，很多学者都曾明确提出，横亘在人工智能研究道路上的一块大顽石是现有的计算机程序缺乏必要的常识。换句话说，在人类社会中，一个正常的6岁儿童就已经掌握了有关周围世界和环境的常识知识；但是对于计算机来说，它连最基本的常识都没有[15]。人工智能专家为了解决这个问题，开始为计算机研制添置常识知识库，例如费根鲍姆（Feigenbaum）的“专家系统”和里南（Lenat）的“大百科全书”计划，都旨在使计算机系统具有一个强大的知识库，这是当代智能系统或智能代理所具备的一种常识性知识库。本节所介绍的ConceptNet也属于这样一种常识性推理知识库。

ConceptNet是由麻省理工学院媒体实验室开发的一种开源工具，它的开发者Liu & Singh[16]指出，基于关键词和数据统计的方法只能实现计算机语义理解的表层处理，要想实现深层次的计算机对于文本的理解，就必须添加各种不同的语义知识（semantic knowledge），使得计算机同时也拥有人所具备的常识性知识。ConceptNet的开发建立在OMCS（Open Mind Common Sense）基础之上，它是一个大型的常识知识库（knowledgebase），包含了来自于空间、物质、社会、时间和心理方面的日常生活知识。ConceptNet从OMCS所收集的大约70万个句子中自动构造一个常识性语义网络，用不同类型的链接描述物体、事件以及人物之间的关系。值得一提的是，与传统的手工提取常识性知识不同，OMCS通过网络平台向普通大众寻求支持，体现了网络众包开发意识。在ConceptNet中，语义知识网络通过160万个箭头将超过30万个节点连接在一起，每一个箭头代表一种语义关系，类似这样的语义关系共有20种，构成了语义关系的本体知识系统。比如：

Is（A，B）：A dog is an animal.

Location Of（A，B）：Books are in the library.

Used For（A，B）：Forks are used for eating.

Subevent Of（A，B）：After waking up in morning, he checked his email.

在上面这些例子中，“Is”连接“dog”和“animal”这两个概念节点，这两个概念节点又可以通过其他类型链接与其他概念节点相连。其余情况亦是如此。通过词汇之间相互链接所形成的概念语义网络对于话题提取（topic extraction）、情感标注（emotion tagging）、词义消歧（word sense disambiguation）、文本推理（text inference）等自然语言处理都有重要的作用。ConceptNet常识语义网络如下面图6所示.

图6 ConceptNet常识语义网络片段

由上图可见，ConceptNet实质上是一种基于常识和概念联想关系的词汇语义知识库。这种知识库通过认知上的扩散性激活机制（spreading activation mechanism）将日常生活中方方面面的知识都囊括在语义网络之中，并可通过指针进行追踪（traversal），从而为计算机建立了一个类似储存在人脑之中的概念系统，为相关的自然语言处理提供了强有力的支持。从理论上来说，这种常识知识库应该是解决“网球问题”的一种比较理想的资源。比如，“网球拍”、“网球场”、“网球服”等概念都可以通过“网球”来激活；“医生”、“护士”、“医疗仪器”等都可以以“医院”作为中心概念形成扩散性的辐射式网络；“蛋糕”、“蜡烛”等都是“生日”这一事件情景中经常出现的事物。但是，这种常识知识库主要侧重于概念和推理层面，在知识库中存储的信息是关于某一个概念可能与其他若干概念之间的生发（generation）关系以及这种关系的具体属性值，而对于词语之间的组合关系关注不够。这进一步限制了它在自然语言处理中的应用。比如，袁毓林[17]就曾指出，在信息抽取（information extraction）领域中，中观层次的论元结构知识是非常重要的。以句子为考察对象，句子中的谓词和名词之间的论元结构关系这种低层次的语义关系可以通过一定的程序传递到高层次的关于事件的脚本和框架中。也就是说，只有弄清楚动词的论元结构信息，才能在特定的文本模板中抽取信息检索所需要的关键内容。虽然ConceptNet为不同概念节点之间设置了多达20种的语义关系链接，但这些语义链接呈现出来的只是概念之间的深层语义推导关系，而并没有说明表达这些不同概念的词语在句法表层是如何被组织在一起的。正因为缺乏句法层面的相关描述，使得不同概念之间的关系链接不便于以一种规则化和形式化的标准确立，只能依赖于一般的常识性知识。此外，ConceptNet主要关注短语结构所表达的复合概念（compound concept，如“开车”、“买食物”）之间的深层语义关系，大多数属于由事件范畴所激活的概念知识，对于由一般事物范畴所能引发生成的网络系统，ConceptNet关注得还不够。因此，也就不便于进行以名词为查找项（入口）的相关词汇及其情境联想关系的检索。

总之，我们认为，与VerbNet和FrameNet相比，ConceptNet建构了一种常识性知识网络系统，这对于“网球问题”的解决具有重要的作用。但是，ConceptNet过分关注不同概念之间常识推理性的语义关系，而忽略了表示相关概念的不同词语在句法层面上的组合关系和语篇层面上的共现关系。如果有一种词汇知识库能同时涵盖跟有关词项相关的常识性知识和句法组合及语篇共现知识，那么，它对于解决“网球问题”应该会发挥更大的作用。

6   为什么物性结构知识可以解决“网球问题”？

围绕着自动构建词汇语义系统的尝试，在过去的一、二十年中一直在进行。其中，Pustejovsky[18-19]提出的生成词库论（Generative Lexicon，GL），确定了如下的总体目标：

开发生成词库的目的在于提供一种成分组合语义学，对源自现实语言使用中的意义进行语境调制（contextual modulation）。[20]

生成词库论一方面关注词汇语义学（词汇的成分组合语义学），同时也关注语境语义学（意义的语境调制），并试图在它们之间进行调和②[21]。面对语言学知识和非语言学知识的表征接口，Pustejovsky设计了一种语义框架，即物性结构，或称为物性角色描写体系。它其实是一套关于词汇本体知识（ontological lexical knowledge）的描述体系，是生成词库理论中最为核心的内容③。借助物性角色知识，我们可以对语言的创造性使用，尤其是对词项在不同的语言环境下浮现出（emerge）不同的意义这一动态性词义变化现象进行说明和解释。Pustejovsky（1995）谈到了下列四种物性角色④：

（1）构成角色（constitutive role）：描写一个物体与其组成部分之间的关系，包括材料（material）、重量(weight)、部分与组成成分等；也指物体在一个更大的范围内构成或组成其他物体；

（2）形式角色（formal role）：描写对象在更大的认知域内区别于其他对象的属性，包括大小（magnitude）、形状（shape）、维度（dimensionality）和颜色（color）等；

（3）功用角色（telic role）：描写对象的用途（purpose）和功能（function）。主要包括两种，一种是直接功用角色（direct telic），人可以与某物发生直接联系，如beer的功用角色是drink；另一种是间接功用角色（purpose telic），指某个事物可以用来协助完成某个活动，如knife的功用角色是cut；

（4）施成角色（agentive role）：描写对象怎样形成或产生的，如创造、因果关系等；比如，饺子是用皮和馅儿包出来的，那么饺子的施成角色就是“包”这个动作。

受Pustejovsky的这套物性角色的启发，袁毓林[25-26]通过对大规模汉语真实文本中名词跟相关动词等的搭配关系和选择限制进行调查后发现，Pustejovsky[18-19]的四种物性角色并不足以全面反映名词跟动词等的搭配限制，于是对物性角色框架进行了更深一步的扩展描述，将物性角色的总数增加至10个，以便适应汉语的语义描写和研究。除了上面的四个物性角色外，新增的六个分别是：单位、评价、行为、处置、材料、定位⑤。这些物性角色反映了我们人类对于名词所指事物的最为关切的内容，也即关于世界万事万物最基本、最朴素的哲学命题：是什么？为什么？怎么样？基于亚里士多德的“四因说”，物性角色体系将事物的客观属性特征与主观评价特征包装在一个描写框架之中，多维度地展示了名词自身所容纳的语义信息。这实际上是一种基于世间万物本体论的语言哲学思考，将事物跟相关事物、属性、动作、行为和评价等等之间的关系表现了出来。同时，在袁毓林[25-26]的物性结构体系中，相关词项的物性角色描述直接跟该词项所具备的基本句法格式挂钩，语义和句法组合的各种可能性被展示出来，为下一步自然语言处理应用提供了有关名词的句法-语义接口知识。这样一种不仅关注词项所代表事物的百科知识，同时也重视与其他语言成分相互组配的词汇知识库特别有利于“网球问题”的解决。

为了检验这种经过扩展的物性结构理论在解决“网球问题”方面的效力，我们以“网球、网球拍、网球场”和“生日、蛋糕、蜡烛”这两组基于情景联想关系的名词为例进行考察。首先，我们从北京大学已经编制的名词物性结构知识库中调出这些词条的描写信息，再检索北京大学汉语语言学研究中心CCL语料库，并且按照袁毓林[25-26]的物性结构描写体系，分别对“网球”和“生日”的词条信息（字形、语音、意义等）、物性结构和句法配置信息进行修正。首先来看“网球”的物性结构信息。

网球 02 wǎngqiú〈名词，中性〉网球运动使用的球，圆形，有弹性。里面用橡皮，外面用毛织品等制成。

〔1〕物性角色：

形式FOR：具体事物、运动器材；

构成CON：由橡皮、纺织材料（羊毛和尼龙）构成，圆形，颜色为白色或黄色，可以分为训练用球和比赛用球，等等；

单位UNI： 个、只、种、堆、些、袋、桶、篮子，等等；

评价EVA：有弹性、软、硬、新、旧、重、轻，等等；

施成AGE：生产、制作、缝制，等等；

功用TEL：打、击打、拍，等等；

行为ACT：滚动、飞、弹动，等等；

处置HAN：买、卖、扔、捡、拿、踢、发现、掏出、看见、发、接，等等；

〔2〕句法格式：

S1：CON+（的+）＿ | ＿+有+CON

如：白色~ | 黄色~ | 圆形（的）~ | ~有橡皮 | ~有尼龙

S2：NUM+UNI+＿

如：一个~ | 一袋~ | 一些~ | 一桶~ | 一堆~ | 一篮子~ | 一只~ | 一种~

S3：EVA+的+＿

如：有弹性的~ | 软的~ | 硬的~ | 新的~ | 旧的~ | 重的~ | 轻的~

S4：AGE+＿

如：生产~ | 制作~ | 缝制~

S5：TEL+__

如：打~ | 击打~ | 拍~

S6：＿+ACT

如：~（一直）滚动 | ~飞（起来） | ~（上下）弹动

S7：HAN+＿

如：买~ | 卖~ | 扔~ | 捡~ | 拿~ | 踢~ | 发现~ | 掏出~ | 看见~ | 发~ | 接~

在启发式（heuristic）规则（让相关的目标概念通过名词或动词、形容词的有关语义角色联系起来）的指引下，我们挖掘和会聚上面对“网球”物性结构和句法组合的有关描述信息，可以建立如下的概念关系网络，从而将“网球”、“网球拍”、“网球场”等概念串联在一起。

图7 “网球、网球拍、网球场”的概念关系网络

“网球”这类名词是“合成类名词”（complex nouns），既有事件义的义面（semantic facet），也有事物义的义面。在上图中，“网球1”和“网球2”分别表示“打网球”的事件和“圆形球体”的物质。基于“网球2”的功用角色“打”和施成角色“制作”，它可以与“网球拍”建立指针式的链接，因为“网球拍”也同时具有相同的功用和施成角色，从而这两个概念被牢牢地绑定在一起。同时，“网球”作为运动的事件义和作为实体的物质义之间的关系可以预先在知识库中绑定，设置“网球2”到“网球1”的自然链接，再通过利用“网球1”的构成角色，实现“网球2”与“网球场”、“运动员”等概念的相互关联。在此基础上，最终形成一个以“网球”（包括网球1和网球2）为检索核心的语义知识网络。此外，在上述不同概念的语义关联中，某些概念之间的联系由于可以通过不同途径得到链接从而得以强化。比如，“网球2”和“网球拍”，它们之间可以通过施成角色得到关联，也可以通过功用角色得到关联，还可以通过“网球1”的构成角色得到关联。随着这种关联次数和类型的不断增多，它们之间的概念联想关系也不断得到强化。由此，我们可以预测：“网球”和“网球拍”之间的语义紧密程度应该是非常高的，相对于其他事物来说，“网球拍”可能是“网球”最容易激活的事物。可见，这种语义学理论具有很强的心理现实性。

下面来看“生日”的词条信息、物性结构和句法配置信息。

生日 shēnɡrì〈名词，积极〉（人）出生的日子。也指每年满周岁的那一天，即每年跟出生日相同的日子。

〔1〕物性角色：

形式FOR：时间、节日、值得庆祝和纪念的日子；

构成CON：生日作为节日，隐含了庆祝这种事件。庆祝生日是一种场景定义型事件，主要由生日蛋糕、生日蜡烛、生日歌、生日礼物、生日卡片、生日聚会、生日舞会等场景要素构成；

单位UNI：次、个，等等；

评价EVA：难忘、特殊、普通、记忆深刻、低调，等等；

功用TEL：庆祝、纪念、过，等等；

行为ACT：到来、来临，等等；

处置HAN：记住、迎来，等等；

〔2〕句法格式：

S1：＿+CON

如：~蛋糕 | ~蜡烛 | ~礼物 | ~卡片 | ~歌 | ~聚会 | ~舞会

S2：NUM+UNI+＿

如：一个~ | 一次~

S3：EVA+的+＿

如：难忘的~ | 特殊的~ | 普通的~ | 记忆深刻的~ | 低调的~

S4：TEL+__

如：庆祝~ | 纪念~ | 过~

S5：__+ACT

如：~到来 | ~来临

S6：HAN+＿

如：记住~ | 迎来~

同样，在让相关的目标概念通过名词、动词和形容词等的语义角色会聚到一起这种启发式规则的指引下，通过挖掘和组织上面对“生日”物性结构和句法组合的有关描述信息，我们可以建立如下的概念关系网络，将“生日”、“蛋糕”、“蜡烛”等概念串联在一起（图8）。

图8 “生日、蜡烛、蛋糕”的概念关系网络

上图中，“生日”和“蜡烛、蛋糕”可以通过两种途径获得关联。一方面，作为场景定义型名词“生日”，它的构成角色中包括“蛋糕”和“蜡烛”这类事物，可以据此建立它们之间的直接联系，比如“生日蜡烛”、“生日蛋糕”。另一方面，“生日”、“蜡烛”和“蛋糕”可以通过它们各自与相关动词的组合形成短语结构，进而在短语结构的基础上建立语义关联，实现间接的联系。比如，以“蜡烛”（或“蛋糕”）的功用角色“点”（或“吃”）为基础形成短语结构“点蜡烛”（或“吃蛋糕”），以“生日”的功用角色“庆祝”为基础形成短语结构“庆祝生日”；随后进一步确认“点蜡烛”（或“吃蛋糕”）和“庆祝生日”之间的功用（或“目的”）语义关系，即“点蜡烛”（或“吃蛋糕”）的目的是为了“庆祝生日”。同时，“庆祝生日”这一事件又是由“点蜡烛”、“吃蛋糕”等常规（routine）的子事件（sub-event）构成的。至于“蜡烛”和“蛋糕”，一方面可以由它们各自的构成角色中都有“生日”作为分类属性来关联；另一方面，也可以通过它们的共同施成角色“制作”获得关联。基于这样一种语义推导关系，可以为计算机理解“生日”和“蜡烛”、“蛋糕”之间的语义关系提供一种有效的知识表示和词汇语义资源。

利用物性结构知识，描绘诸如“网球、网球拍、网球场”和“生日、蛋糕、蜡烛”这种基于情景联想关系的名词的语义网络，相较于我们之前讨论过的其他词汇语义知识库有下面几个优点：

1. 物性结构知识库以名词为主要描写对象，通过对名词相关语义和句法信息的描写，构建属性、动作和事物之间相互关联的语义网络。这一做法不同于VerbNet、FrameNet等以动词为核心的知识库构建体系，在一定程度上是对动词句法语义信息描写的补充，对于“网球问题”的解决具有重要的作用；

2. 在物性结构知识库中，相同的语义信息是不同的词语相互关联的纽带，知识库网络的构建得益于这些具有链接作用的语义信息。在这种词汇本体知识库中，可以以特定词语为检索项寻找不同概念之间的语义关系。这弥补了作为单纯性情景联想关系网络的概念知识库ConceptNet不便于词汇检索和查找的不足；

3. 物性结构知识库一方面关注不同概念之间基于世界知识的语义联系，同时也注重词语之间的组合关系，尤其是各种不同物性角色与名词在句法配置上的组合信息。跟单纯的基于常识知识的ConceptNet相比，物性结构知识库在对语言事实的挖掘和呈现上更加深入，在不同概念之间的关联方面也更加精细；

4. 物性结构知识库为不同概念之间设置了动作指针链接，即特定的动词将两个名词关联在一起，形成了“谓词-论元”式的语义关系图式。这样做，一方面便于跟文本中相关的句子进行匹配；另一方面，也便于跟VerbNet、FrameNet等以动词为核心的词汇知识库进行整合。

5. 我们早先已经开发出了汉语谓词（动词、形容词）论元结构知识库，正好可以跟现在正在开发的汉语名词物性结构知识库整合；在有关目标词汇概念的驱动下，挖掘和发现相关词汇概念之间的语义联系和常识性推理关系。

7   小结

词汇语义知识库作为自然语言处理的一种特殊的知识资源，其建立的目的是要提供一个大规模的词汇语义及相关世界知识的知识库，这个知识库应该能够较好地揭示词汇概念与词汇概念之间以及概念与属性之间的关系，从而为文本语义的计算分析提供可靠的基础。不过，由于不同的语义资源是由不同的研究者为了不同的理论或应用目的开发出来的，在描写的语义内容、呈现格式等方面具有不同的类型；因而，就有了如何将这些不同的语义资源相互取长补短、统一并整合起来的问题[5]。

目前比较主流的几种语义知识资源库，在设计和应用方面都有自己的特点。比如，WordNet注重从聚合的角度对词语之间的语义关系进行描写，为我们提供了极为丰富的词汇语义信息，这些信息对于自然语言处理中的语义分析是非常有用的；VerbNet在动词的句法和语义之间建立起一种有效和有用的链接，把句法-语义上具有相似表现的动词聚成一个类别，提供了更多的句法和语义的连贯性，并且建立了与其它词汇资源的映射[27-28]；基于框架语义学的FrameNet在语义框架下验证相关的一批词在某种意义下语义和句法结构的各种表现形式，为使用者提供了一部内容丰富的语义和用法词典，同时在信息抽取、问题回答等自然语言理解领域也得到应用；建立在常识推理基础上的ConceptNet，将日常生活中的百科知识纳入到其构建的基于情景联想的概念网络之中，为主题发现、文本分类、情感评价等提供了有用的知识库。但是，这几种语义知识库在解决“网球问题”方面，都存在一定程度上的局限性。本文建议，在谓词（动词、形容词）的论元结构知识库的基础上，再以生成词库论中的物性结构知识为理论框架，并配置相关词项的句法组合信息，来建构名词的物性结构知识库，最后把谓词与名词的语义角色关系双向连接来解决“网球问题”。这样，通过利用不同词语（名词、动词、形容词）所共有的语义信息作为指针链接，构建相关词语之间的概念关系网络，把事物和跟事物相关的事件的有关世界知识及其语言表达形式表示出来，最终形成以名词（实体）为检索核心的、面向对象（object orientation）的语义知识库。

幸运的是，目前发展迅速的知识图谱（knowledge graph）技术正好为上述语义会聚（converge）和关联（connection）提供了知识表示和数据库技术支持。

8   注释

①语义的扩散性激活指，调用（即激活）一个词项的意义可以触发（trigger）知识网中相关的语义节点。比如，激活场景定义型名词“生日”，可以触发“生日蛋糕、生日蜡烛、生日歌”等概念；激活事件名词“火”，可以触发“红色、火光、消防车、水”等概念。

②这实质上对应了“语言知识”与“非语言知识”（世界知识）的划分。而关于这一问题的讨论一直伴随着语义学的发展。早在词汇语义学发展的早期—历时语义学阶段，就有学者对如何协调这两者的关系这一问题进行了思考。比如，保罗在其《语言学原理》中就有关于语境和用法的论述；后来结构主义语义学阶段，主张语义识别完全属于语言内部层次的结构；到生成语义学阶段，非语言知识完全被排除在语义研究之外；再到新结构语义学阶段，如概念语义学、双层语义学等理论考虑如何将语言知识和非语言知识结合起来；随后的认知语义学甚至将非语言学知识全部纳入到语言知识的框架之中。关于这一问题详尽的讨论，可以参看Dirk Geeraerts[22]。

③生成词库理论的原始内容及最新发展，可参看Pustejovsky[19;23]。

④物性角色的定义源自Moravcsik（1975）对亚里士多德“四因说”（aitia）的诠释。

⑤受篇幅限制，本文未给出每一种物性角色的定义。详细内容可以参看袁毓林[25-26]。

参考文献

[1] Fellbaum, Christiane (ed.) WordNet: An Electronic Lexical Database [M]. Cambridge, Massachusetts: MIT Press, 1998.

[2] Miller G. A., Fellbaum, Christiane. WordNet then and now [J]. Lang Resources & Evaluation, 2007, 41: 209 - 214.

[3] Miller G. A., Beckwith Richard, Fellbaum Christiane, Gross Derek, Miller K. J.  Introduction to WordNet: An On-line Lexical Database [J]. International Journal of Lexicography, 1990, 3(4): 236 - 244.

[4] 黄居仁. 语意网与中文信息化前瞻：知识本体与自然语言处理[C]//孙茂松、陈群秀. 自然语言理解和大规模内容计算. 北京：清华大学出版社，2005：1 -10.

[5] 袁毓林. 语义资源建设的最新趋势和长远目标——通过影射对比、走向统一联合、实现自动推理[J]. 中文信息学报，2008，22（3）：3 – 15.

[6] 索绪尔. 普通语言学教程[M]. 北京：商务印书馆，1980.

[7] Warrington, E.K., Shallice, T. Category specific semantic impairments [J]. Brain, 1984, 107(3): 829 - 853.

[8] Lin, E. L., Murphy, G. L. Thematic relations in adults’ concept [J]. Journal of Experimental Psychology: General, 2001, 130(1): 3 - 28.

[9] Altmann, G. Thematic role assignment in context [J]. Journal of Memory and Language，1999, 41 (1): 124 - 145.

[10] Warren, T., McConnel, K. Investigating effects of selectional restriction violations and plausibility violation severity on eye-movement in reading [J]. Psychonomic bulletin & review, 2007, 14: 770 - 775.

[11] Kipper Karin, Dang H. T., Palmer Martha. Class-Based Construction of a Verb Lexicon[C]//AAAI-2000 Seventeenth National Conference on Artificial Intelligence, Austin, TX, July 30 - August 3, 2000.

[12] Fillmore C. J., Johnson C.R., Petruck M.R. Background to FrameNet[J]. International Journal of Lexicography, 2003, 16 (3): 236 - 250.

[13] Fillmore C.J. Frame Semantics[C]//Linguistics in the Moring Calm. Seoul: Hanshin Publishing Co., 1982:111 - 137.

[14] Baker, F. Collin, Charles J. Fillmore, John B. Lowe. The Berkeley FrameNet Project[C]//Proceedings of the 17th International Conference on Computational Linguistics [COLING '98] / the 36th Annual Meeting on Association for Computational Linguistics [ACL '98], Montreal, Canada, 1998：86-90.

[15] Henderson Harry. Milestones in Discovery and Invention: Artificial Intelligence [M]. Shanghai: Shanghai Science & Technological Literature Publishing House, 2007.

[16] Liu, H. & Singh P. ConceptNet – a practical commonsense reasoning toolkit [J]. BT Technology Journal, 2004, 22(4): 211 - 226.

[17] 袁毓林. 信息抽取的语义知识资源研究[J]. 中文信息学报，2002，16（5）：8 – 14.

[18] Pustejovsky, James. The Generative Lexicon [J]. Computational linguistics, 1991, 17(4)：409 - 441.

[19] Pustejovsky, James. The Generative Lexicon [M]. Cambridge, Massachusetts: MIT Press, 1995.

[20] Pustejovsky J., P. Bouillon, H. Isahara, K. Kanzaki, C. Lee (eds.) Advances in Generative Lexicon Theory[M]. Dordrecht: Springer, 2013.

[21] 吴国向，袁毓林. 词汇本体语义学的实证性研究[R].第五届当代语言学国际圆桌会议，南京：南京师范大学，2013年10月.

[22] Geeraerts, Dirk. Theories of Lexical Semantics [M]. New York: Oxford University Press Inc., 2010.

[23] Pustejovsky, James. Coercion in a general theory of argument selection [J]. Linguistics, 2011, 49 (6): 1401-1431.

[24] Moravcsik, J. M. Aitia as generative factor in Aristotle’s philosophy [J]. Dialogue, 1975, 14(4): 622 - 638.

[25] 袁毓林. 基于生成词库论和论元结构理论的语义知识体系研究[J]. 中文信息学报，2013，27（6）：23 – 30.

[26] 袁毓林. 汉语名词物性结构的描写体系和运用案例[J]. 当代语言学，2014，16（1）：31 – 48.

[27] Loper, Edward. PropBank, VerbNet & SemLink[R]. Joint Meeting of the ACL/SIGSEM Working Group on Representation of Multimodal Semantic Information and the ISO Task Domain Group on Semantic Content Representation. Tilburg, the Netherlands. 2007.

[28] Loper, Edward, Szu-ting Yi, Palmer Martha. Combining Lexical Resources: Mapping between PropBank and VerbNet[C]//Proceedings of the 7th International Workshop on Computational Linguistics. Tilburg, Netherlands. 2006.

引用格式

袁毓林,李 强. 怎样用物性结构知识解决“网球问题”？[J]. 中文信息学报, 2014, 28(5): 1-12.

YUAN Yulin, LI Qiang. How to Use Qualia Structure to Solve “Tennis Problem”？[J].Journal of Chinese Information Processing, 2014, 28(5): 1-12.

袁毓林 李强：怎样用物性结构知识解决“网球问题”？（下）相关推荐

  1. python 实现结构树模式显示目录下文件

    在发布一个项目或者产品的时候,需要将项目内的文件打包上传,但是下载人员在下载前最好能看到文件包的内容,文件名字等,如果使用手动方式录入就太麻烦了,也容易出错,如果使用文本模式罗列的话看的还不是特别的清 ...

  2. CVPR 2021 | 基于跨任务场景结构知识迁移的单张深度图像超分辨率方法

    ©PaperWeekly 原创 · 作者|孙宝利 学校|大连理工大学硕士 研究方向|计算机视觉 项目主页: http://faculty.dlut.edu.cn/yexinchen/zh_CN/zdy ...

  3. 计算机网络基础知识 帮助学习网络管理的初学者快速了解网络管理的初步结构知识...

    网络分层: OSI七层协议:物理层.数据链路层.网络层.运输层.会话层.表示层.应用层 五层协议:物理层.数据链路层.网络层.运输层.应用层 HTTP四层协议:网络接口层.网际层.运输层.应用层 层 ...

  4. 危旧房及房屋结构知识普及

    您的房子安全吗?这些房屋结构知识能教你识别房屋是否安全.房屋建造由许许多多的部分构成,如圈梁.地梁.构造柱.空斗墙等等.造成房屋倒塌的原因很多,但归根结底是房屋结构构件承载力不足.下面钧测教您快速识别 ...

  5. L1-047 装睡 (结构体解决)

    L1-047 装睡 (10 分) 你永远叫不醒一个装睡的人 -- 但是通过分析一个人的呼吸频率和脉搏,你可以发现谁在装睡!医生告诉我们,正常人睡眠时的呼吸频率是每分钟15-20次,脉搏是每分钟50-7 ...

  6. 结构体解决念数字问题

    L1-007 念数字 (10 分) 输入一个整数,输出每个数字对应的拼音.当整数为负数时,先输出fu字.十个数字对应的拼音如下: 0: ling 1: yi 2: er 3: san 4: si 5: ...

  7. ACMNO.43 C语言-成绩排序 利用结构体解决，是一个进步啦！

    题目描述 现有有N个学生的数据记录,每个记录包括学号.姓名.三科成绩. 编写一个函数input,用来输入一个学生的数据记录. 编写一个函数print,打印一个学生的数据记录. 在主函数调用这两个函数, ...

  8. 对象属性结构赋值_(六)面向对象-下

    (六)面向对象-下 关键字:static static 可以用来修饰的结构:主要用来修饰类的内部结构 属性.方法.代码块.内部类 static修饰属性:静态变量(类变量 属性,是否使用static修饰 ...

  9. 数据库系统的三级模式结构知识笔记

    1.数据抽象的三个层次 数据库系统利用三个层次划分来抽象来对用户屏蔽系统的复杂性.简化用户与系统的交互. 1.1 物理层 物理层属于最低级层次的抽象,描述数据在存储器上如何进行存储的.物理层会详细描述 ...

最新文章

  1. python 在内存中读写：StringIO / BytesIO
  2. IDEA下用SBT搭建Spark Helloworld
  3. duilib入门问题集
  4. python计算各对应位乘积之和_Python与线性代数基本概念
  5. java复制文件的命名_java-复制文件时在文件名扩展名前附加“复...
  6. jquery可拖拽式内容模块gridder
  7. 内存少导致编译出错，内存增加到24G
  8. MySQL处理生意参谋_生意参谋低点击率怎么处理?
  9. 旺旺怎么去服务器接收文件夹,xp系统下找到阿里旺旺安装路径文件夹的方法
  10. 【Unity】制作动画
  11. linux pvs命令安装,Linux中的ldd命令和pvs命令
  12. 史上最简单的spark教程第二章-快速开发部署你的第一个Java+spark程序
  13. Elasticsearch启动报错：warning: ignoring JAVA_HOME=C:\Program Files\Java\jdk1.8.0_191； using bundled JDK
  14. LED 流水灯与闪烁
  15. mysql 查看等待事件_分享两个实用SQL--查看故障时间等待事件、问题sql及会话访问次数...
  16. 项目经理和团队如何产生距离美?
  17. 在visi_Visi如何使用Weave和Docker
  18. 2021-2025年中国脚手架系统行业市场供需与战略研究报告
  19. 我们工作到底为了什么 - HP大中华区总裁孙振耀退休感言
  20. H264--2--语法及结构

热门文章

  1. python+vue校园足球联赛管理系统django源码
  2. 实验室里的AI激情：腾讯优图的升级修炼之路
  3. 首页滑滑滑，支付宝穿越回年轻样子
  4. 安装neo4j-community（neo4j社区版）
  5. 【系统优化】新装Linux系统注意事项增加系统安全
  6. Git的基本使用方法教程(入门级)
  7. 天大《西方经济学》大作业期末考核
  8. Heart Disease UCI（心脏病相关数据集）
  9. 可交易性（tradability)检验即协整性检验：介绍
  10. 3D MAX模型导入Revi