Зв'язок нейронних мереж з штучним інтелектом (стр. 6 из 7)

4.1. Синтаксичний аналіз

Фрагмент тексту складається з пропозицій, а кожна пропозиція компонується з виразів, які можуть містити під вирази і, кінець кінцем, складаються із слів. Граматику визначає спосіб, відповідно до якого слова і вирази можуть об'єднуватися в пропозиції. Граматика може бути представлена з допомогою багатьох будь-яких мов уявлень, але найчастіше для цього використовують формат правил виводу. На мал.4 показана структура пропозиції “ Thedogranacrosstheroad ” англійської мови (у перекладі воно означає "собака біг через дорогу").

Мал.4. Приклад граматики, вираженої правилами виводу. S - означає пропозицію, N - іменник, А - прикметник, Р - привід, D - визначник (артикль), V - дієслово, ІР - іменна група, VР - дієслівна група, АР - група прикметника, РР - прийменникова група.

Мал.5. Дерево синтаксичного аналізу для пропозиції “The dog ran across the road".

Речення аналізується з метою виділення вхідних в його структуру виразів і з метою його перевірки відповідно граматиці. Для аналізу речення потрібний також словник. Словник визначає категорії слів (N, V, Р, А, D). Такий аналіз може бути інтерпретований як пошук, при якому підтримується стек дублювання для резервного копіювання станів, щоб була можливість повернутися з тупикового стану.

Приклад 3. Ілюструйте те, як можна у вигляді пошуку провести синтаксичний аналіз пропозиції " Thedogranacrosstheroad ". Використовуйте наступну граматику:

S→ NPVP

NP→ DAPIDN

PP → P NP

VP→ V PP

AP→ AN

і наступний словник:

D→ the N→ dog I road V →ran P→ across

Розв’язання 3.Процес показаний в табл.8, а стани, що генеруються при цьому, - на мал.6.

Таблиця 8. Синтаксичний аналіз пропозиції " Thedogranacrosstheroad ", то розглядається як пошук

Поточна спроба	Стек слів		Стеквідвідування	Стек дублювання
S→NPVP	the dog ran across the road		NP VP
NP→D АР	the dog ran across the road		DAP VP	NP→DN
D →the	dog ran across the road		APVP	NP→DN
AP→AN	dog ran across the road		VP	NP→DN
dogне відноситься докатегорії А, тому повернення
NP→DN	the dog ran across the road		DN VP
D →the	dog ran across the road		NVP
N →dog	ran across the road		VP
VP →v PP	ran across the road		VPP
V →run	across the road		PP
PP →PNP	across the road		PNP
P →across	the road		NP
NP →D AP	the road		DAP	NP→DN
D → the	road		AP	NP→DN
AP→AN	road		AN	NP→DN
roadне відноситься до категорії А, тому повернення
NP→DN	the road	DN
D →the	road	N
N road

Алгоритми синтаксичного аналізу вивчалися достатньо інтенсивно, оскільки синтаксичний аналіз є основою багатьох обчислювальних систем, тобто компіляція програм або перевірка синтаксису запиту до бази даних. Запропонований тут приклад пропозиції виглядає тривіальним, але будь-яка реальна система розуміння мови використовує складнішу граматику, що дозволяє розуміти, наприклад, узгодження множини і часів.

4.2. Семантичний аналіз

Семантичний аналіз часто реалізується як етап синтаксичного аналізу в результаті додавання до правил граматики відповідних властивостей і використання порівняння зразків. Тут ми маємо можливість сказати тільки декілька слів про те, як виділяється суть пропозиції у формі мови Ргоlog. Граматика

SN→PVP

NP→N

N →name

VP→VNP

name→ мери | джон

verb→любить

NP VP

DAP DN V PP

D AN D N P NP

(the) Повернення the dog across

до “dog”

DAP DN

D AN D N

(the) Повернення the road

Мал.6. Стани, що генеруються при синтаксичному аналізі пропозиції " Thedogranacrosstheroad "

Запис "Джон любить Мері". У мові Ргоlog воно має наступну форму.

любить (Джон, Мері)

Щоб виділити цю форму в процесі синтаксичного аналізу, граматика доповнюється наступними властивостями.

S (sem-vp sem-np) →NP (sem-np) VP (sem-vp)

NP (sem-np) →N (sem-np)

N (sem-n) → (sem-n)

VP (sem-v sem-np) →V (sem-v) NP (sem-np)

name (sem-n) →Mepi ("Mepi")

name (sem-n) →Джон ("Джон")

verb (sem-v) → любить (λу. λ. х любить (х. у))

Вказаний тут дієслівний елемент (verb) містить вираз, зване λ-числення. Воно використовується для того, щоб виконати просту операцію, яка називається λ - зведена, і спростити вираз.

Наприклад, вираз у формі ( (λ х Рх) а)

може бути зведеним до "Ра". Тому виразλу. λ х. любить (х, у), сформульований у вигляді (λ у. λ х. любить (х, у))"мері"), зводиться до λx. любить (х, мері), а ( (λ, х. любить (х, мері))"джон") зводиться до любить (джон, мері).

Така λ-зведена виконується в порядку зліва направо, і її метою є приведення виразу до легшого читання (або розпізнавання) форми.

У разі нашого простого прикладу можна представити порівняння властивостей як серію викликів функцій. Ліва сторона правила розглядається як функція, а права сторона виконує серію викликів інших функцій. Ці операції продовжаться рекурсивно до тих пір, поки слову не буде знайдено відповідність і не буде повернений рядок.

Пропозицію "Джон любить Мері" буде проаналізоване з використанням "псевдо-С" нотації і із застосуванням λ-зведенням там, де це необхідно. Врахуйте те, що деякі дужки в граматичних виразах були опущені з метою збереження простоти запису.

Виклик S з аргументом "джон любить мері"

повертає (λ х. любить (х, мері) джон) = любить (джон, мері)

S (sem-vр sem-nр)

{

NP (sem-nр) - в результаті виклику NР в кінці повертається джон

VР (sem-vр) - в результаті виклику VР повертається (λу λх. любить (х, у) мері) = (λ, х. любить (х, мері))

}

NP (sem-nр) {

N (sem-np)

}

N (sem-n) {

name (sem-n)

}

name (sem-n) { if "джон"

return sem-n= "джон" if "мері"

return sem-n= "мері"

}

VP (sem-v sem-np) {

V (sem-v) - в результаті виклику Vповертається (λу. λ х. любить (х, у))

NP (sem-np) - повертається мері

}

V (sem-v) {

sem-v= (λу. λ х. любить (х, у))

5. Символьні зв'язки нейронних мереж

Ідея використання нейронних мереж для виконання завдань, символьних систем штучного інтелекту, що традиційно відносяться до області, апелює до інтуїції інженерів і не тільки тому, що абстрактна архітектура штучного мозку може видавати нестандартні рішення, але також і тому, що нейронні мережі мають цілий ряд інших привабливих властивостей. Нейронні мережі навчаються виконанню завдання за допомогою адаптації до пропонованих мереж. Система, заснована на навчанні, має можливість виводити знання автоматично, а також виявляти знання, які є специфічними для конкретного завдання і які важко представити у вигляді набору правил (наприклад, як їхати на велосипеді). Мережа рідко пропонує однозначну відповідь, вона зазвичай забезпечує відповідь у вигляді оцінки, але для вирішення практичних завдань оцінені відповіді виявляються більш відповідними. Нейронні мережі можуть також демонструвати плавне зниження своєї ефективності, зберігаючи здатність виконувати завдання (хоча і на гіршому рівні), якщо частина структури мережі виявляється пошкодженою. Нейронні мережі можуть іноді зберігати свою працездатність, навіть якщо якась частина архітектури мережі перестає функціонувати взагалі. Нарешті, нейронні мережі можуть бути реалізовані у вигляді масових паралельних структур, які потенційно можуть запропонувати ефективнішу продуктивність в порівнянні з машинами, що використовують послідовну архітектуру.