CN107943793A - 自然语言的语义解析方法 - Google Patents

Abstract

一种自然语言的语义解析方法。基于语法规则集分析目标语料而获得语法。在判定语法包括需要进行验证的语义槽之后，查询内建知识库中是否存在与语义槽的槽值相匹配的结果。当无法获得与槽值相匹配的结果时，判定槽值的语义不正确。当获得与槽值相匹配的结果时，输出语法的语义分析结果。

Description

自然语言的语义解析方法

技术领域

本发明涉及一种自然语言处理方法，且特别涉及一种自然语言的语义解析方法。

背景技术

自然语言处理(Natural Language Processing，NLP)是人工智能和语言学领域的分支学科。自然语言处理涵盖的议题相当广泛，包括：断词(word segmentation)、词性标记(part-of-speech tagging)、专有名词标记(name entity tagging)、词义消歧(wordsense disambiguation)、代名词释义(pronoun resolution)、句法剖析、文法比对、语义角色标注(semantic role labeling)、语义逻辑推论、自动音译、机器翻译、语音识别、语音合成等。

自然语言处理是针对人类语言文字进行各种自动化处理的技术，其目标是要让计算机认识、分析、理解、合成人类语言，进行各式运算，希望最终能以自然语言为媒介，让计算机跟人类顺畅地沟通，以完成各项指定的任务。而随着科技的进步，自然语言处理的应用越来越广泛。因此，如何让自然语言处理更为简化及方便则为目前的研究课题之一。

发明内容

本发明提供一种自然语言的语义解析方法，可确保下游应用程序获得的语义是正确的语义。

本发明的自然语言的语义解析方法，包括：基于语法规则集匹配目标语料而获得匹配成功的语法；检查语法是否包括需要进行验证的语义槽；在判定语法包括需要进行验证的语义槽的情况下，查询内建知识库中是否存在与语义槽的槽值相匹配的结果；当无法获得与槽值相匹配的结果时，判定槽值的语义不正确；以及当获得与槽值相匹配的结果时，输出语法的语义分析结果。

在本发明的一实施例中，所述内建知识库包括多个数据库，而在判定语法包括需要进行验证的语义槽的情况下，基于语义槽的槽验证类别，自所述数据库中取出对应的其中一个来进行查询。

在本发明的一实施例中，所述语义解析方法还包括：在判定语法不包括需要进行验证的语义槽的情况下，输出语法的语义分析结果。

在本发明的一实施例中，在获得语法之后，还包括：在判定语法中包括指示代词时，根据目标语料的上文语料对应的另一语法来获得指示代词对应的词汇；以及验证词汇的语义。

在本发明的一实施例中，在获得语法之后，还包括：在判定语法中包括指示代词时，提示询问讯息。

在本发明的一实施例中，所述语义解析方法还包括：根据语义槽的引用类别，记录语义槽对应的词汇。

在本发明的一实施例中，所述语义解析方法还包括：提供修饰符，其中修饰符用以记录前次匹配语义。而在获得与槽值相匹配的结果之后，还包括：根据语法是否记载该修饰符，输出匹配答案。

基于上述，将语义槽的验证放到语义解析的过程中，可确保下游应用程序获得的语义是正确的语义，而不需要再进行验证，加快和简化了应用程序的开发。并且，将指代消解的过程放到语义解析的过程中，可确保下游应用程序获得的是完整的语义。另外，可根据不同的情况和语境来输出匹配答案，使得回答的内容更符合预期，从而简化了应用程序开发的难度。

为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合附图作详细说明如下。

附图说明

图1是依照本发明一实施例的电子装置的框图。

图2是依照本发明一实施例的自然语言的语义解析方法的流程图。

图3是依照本发明一实施例的指代消解方法的流程图。

图4是依照本发明一实施例的答案的匹配方法流程图。

【标号说明】

100：电子装置

110：处理器

120：语义解析器

130：存储器

131：内建知识库

S205～S225：自然语言的语义解析方法各步骤

S310～S320：指代消解方法的各步骤

S405～S420：答案的匹配方法各步骤

具体实施方式

图1是依照本发明一实施例的电子装置的框图。请参照图1，电子装置100为具有运算能力的电子装置，例如为桌面计算机、笔记本电脑、平板计算机、智能型手机、智能型手表、云端服务器等。

电子装置100包括处理器110、语义解析器120以及存储器130。处理器110耦接至语义解析器120以及存储器130。处理器110驱动语义解析器120来执行自然语言的语义解析方法。

处理器110例如为中央处理单元(Central Processing Unit，CPU)、图像处理单元(Graphic Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、可程序化的微处理器(Microprocessor)、嵌入式控制芯片、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuits，ASIC)或其他类似装置。语义解析器120例如为嵌入式控制芯片的硬件设备，也可以是由程序语言撰写而成的软件模块。

存储器130例如是任意形式的固定式或可移动式随机存取内存(Random AccessMemory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash memory)、安全数字卡(Secure Digital Memory Card，SD)、硬盘或其他类似装置或这些装置的组合。存储器130包括内建知识库131。

图2是依照本发明一实施例的自然语言的语义解析方法的流程图。请参照图1及图2，在步骤S205中，语义解析器120基于语法规则集去匹配目标语料而获得匹配成功的语法(grammar)。此语法是构成语义理解支持的主要元素，通过匹配结果能得到一种语义结构解析描述句。语法中还可以包含全局修饰符，以及槽修饰符，修饰符由写语法的人自行定义。修饰符的值会体现在语义结构中。

在使用自然语言语义开发应用程序时，主要的语义生成方法都是基于乔姆斯基范式(Chomsky normal form)编写语法规则，当一句语料符合一个语法规则时，就会得到一个语义结构。

例如，假设语料为“上海的市长是谁”，在经由语义解析器120进行结构分析之后，会获得如下语法。

<grammar1>:<slot_city>的市长是谁

在获得语法之后，在步骤S210，语义解析器120检查语法是否包括需要进行验证的语义槽(slot)。例如，假设手机语音助手(一种应用程序)中定义了需要验证的语义槽的槽验证类别包括歌名、歌手、诗名、诗人、地名、国家、城市、名人。当在语法中出现上述槽验证类别时，便需要进一步来进行验证。

在判定语法包括需要进行验证的语义槽的情况下，如步骤S215所示，语义解析器120查询内建知识库131是否存在与语义槽的槽值相匹配的结果。当无法获得与槽值相匹配的结果时，在步骤S220中，判定槽值的语义不正确。当获得与槽值相匹配的结果时，在步骤S225，输出语法的语义分析结果。另外，在步骤S210中判定语法不包括需要进行验证的语义槽的情况下，如步骤S225所示，输出语法的语义分析结果。

举例来说，假设获得的目标语料为“中国的市长是谁”，经由语义解析器120获得下述语法。

<grammar1>:<slot_city>的市长是谁

接着，语义解析器120对语义槽<slot_city>进行验证。在此，语义槽<slot_city>的槽验证类别事先被设为城市，因此自与城市对应的内建知识库中以其槽值(即“中国”)进行查询。由于“中国”不是隶属于城市的词汇，无法获得与其相匹配的结果，因此，判定这个语义不正确，拒绝这个语义。

又例如，假设获得的目标语料为“上海的市长是谁”，经由语义解析器120获得下述语法。

<grammar1>:<slot_city>的市长是谁

由于“上海”为隶属于城市的词汇，因此，在获得与其相匹配的结果之后，判定所述语义正确，因而输出相关联的语义分析结果。

另外，假设目标语料为“我要听张三的歌”，在经由语义解析器120匹配之后获得如下两个语法。

<grammar1>:我要听<singer>的歌

<grammar2>:我要听<songname>

在此，语义槽<singer>、<songname>事先被分别指定的槽验证类别为歌手及歌曲。当目标语料“我要听张三的歌”进入语义解析器120时，可同时匹配<grammar1>和<grammar2>。在匹配<grammar1>时，从目标语料中拿到的槽值为“张三”。而在经过语义解析器120的验证后发现“张三”不是歌手，因此<grammar1>这个语法是废弃的。而在匹配上<grammar2>时，从目标语料中拿到的槽值为“张三的歌”。而在经过语义解析器120的验证后，证实“张三的歌”与内建知识库131中记载的结果相匹配，符合语法中指定的语义槽<songname>必须是个歌曲名。因此，表示语法<grammar2>的语义才是正确的。

在本实施例中，在存储器130的内建知识库131中还可进一步基于不同的槽验证类别来建立多个数据库。例如，根据歌名、歌手、诗名、诗人、地名、国家、城市、名人等槽验证类别来建立多个数据库。据此，在判定语法包括需要进行验证的语义槽的情况下，语义解析器120会基于语义槽的槽验证类别，取出对应的一个数据库来进行查询。

内建知识库131的数据补充有两种方式，一种是通过网络爬虫(web crawler)从各个网页来抓取数据，另一种是让应用程序的开发者上传数据，用户上传的资料经过审核后可以自动加入到内建知识库131。

另外，在获得语法之后，还可进一步来处理语法中的指代消解。图3是依照本发明一实施例的指代消解方法的流程图。请参照图3，在图2所示的步骤S205之后，还包括步骤S310～S320。

在步骤S310中，语义解析器120检查语法中是否包括指示代词。在判定语法中包括指示代词时，在步骤S315中，语义解析器120根据目标语料的上文语料对应的另一语法来获得指示代词对应的词汇。之后，在步骤S320中，验证所述词汇的语义。即，在获得指示代词对应的词汇之后，由语义解析器120进行验证程序。例如，执行步骤S210～步骤S225。

假设获得的语法如下。

<grammar>:<slot_reference_people>唱过什么歌

其中，<slot_reference_people>:他|那个人

上述语法可以匹配到“他唱过什么歌”、“那个人唱过什么歌”这两种说法，根据匹配结果，可以得到一个语义结构，此语意含有语意槽<slot_reference_people>，此槽的值是“他”或“那个人”。假如不进行指代消解的话，直接将语义返回给应用程序，应用程序是没办法直接处理的。

为了实现指代消解的方法，开发者可为语义槽设置槽的引用类别(常见的例如：人物、时间、地点等)。并且给此槽在引用句式的语法中加上槽修饰符“last”。据此，在语义解析过程中，当引用句式的语法被语料匹配上时，语义解析器120发现此语意槽有“last”修饰符时就可以根据语义槽对应的引用类别而从上文语料中来寻找相关内容。

举例来说，假设有以下语义槽的槽定义及语法，其中的<{slot_reference_people@＝last}>表示这句语法匹配上后给出的语义槽会有一个修饰符“last”。

<grammar1>:<slot_people>是哪一年出生的

<slot_people>(reference_type:人物)

<grammar2>:

他<{slot_reference_people@＝last}>唱过什么歌

<slot_reference_people>(reference_type:人物)

第一条目标语料“刘德华是哪一年出生的”在被语法<grammar1>匹配上之后，语义解析器120会根据语义槽<slot_people>对应的槽引用类别“人物”，将其对应的词汇“刘德华”(即语义槽<slot_people>对应的槽值)作为人物记录下来。之后，当第二条目标语料“他唱过什么歌”匹配上语法<grammar2>的时候，语义解析器120发现槽<slot_reference_people>存在“last”修饰符，便会去之前记录下来的信息中查找与“<slot_reference_people>”的引用类别一致的记录，这时候就可以获得作为人物而记录的词汇“刘德华”，指代消解的工作也就完成了。

在此，如果存在指代关系，就在之前保存的上文信息中对应的引用类别里获取指代内容，并对获取到的内容进行验证，如果验证成功才输出语义，否则不输出(是否需要对指代内容进行验证可以由开发者在开发过程中指定)。

下面再举一例来说明答案匹配方法的各步骤。图4是依照本发明一实施例的答案的匹配方法流程图。答案是指当应用程序的逻辑是类似一问一答的情形时，这时可以把答案和语法关联起来，当某句语料匹配上某个语法，语义解析器120可以直接给出和这个语法关联的答案。本发明给出的方法能够结合不同的上文给出不同的答案。请参照图4，在步骤S405中，接收一目标语料。接着，在步骤S410中，通过语义解析器120分析目标语料，以获得对应的语法。之后，在步骤S415中，验证语法的语义。如同步骤S210～步骤S225所示，通过语义解析器120来验证语义是否正确。在判定语义正确之后，在步骤S420中，结合上文语法的全局修饰符(modifier)，来挑选更合适的答案。

在理解上文的能力上，语义解析器120会每次把当前语法对应的全局修饰符(如有)记录下来。在答案中用这个修饰符去判断上次的语义，用选择功能来选择本次回答的内容，就可以更好地针对语境来做出本次回答。

以下述语法来举例说明：

<grammar2>:你吃饭了吗<{@＝eat}>

<answer2>:{“lastmodifier”:

[{“eat”:“你失忆了吗？你刚刚问过了！”},

{“default”:“还没有呢！你要请我吃大餐吗？”}]}

在此，语法<grammar2>中的<{@＝eat}>表示这句语法有全局修饰符“eat”，当语法被匹配上时，语义结构中会有全局修饰符”eat”这个信息。答案<answer2>中的“lastmodifier”为取得上一次目标语料对应的语法的修饰符，<answer2>的含义表示当“lastmodifier”为“eat”时输出答案“你失忆了吗？你刚刚问过了！”；如果不是“eat”，则输出“default”的匹配答案，即，“还没有呢！你要请我吃大餐吗？”。

例如，在第一次问“你吃饭了吗”匹配到语法<grammar2>时，当前的语法的全局修饰符为“eat”但是代表上一个语法的全局修饰符“lastmodifier”为空值，不等于“eat”，所以输出的匹配答案是“还没有呢！你要请我吃大餐吗？”。倘若紧接着再次说“你吃饭了吗”，又匹配到语法<grammar2>，由于上次匹配的语法的全局修饰符是“eat”，所以“lastmodifier”为“eat”，输出的匹配答案则是“你失忆了吗？你刚刚问过了！”。

另外，在本实施例中，在答案中还可进一步加入固定格式的变量，使得答案可编辑，同一个答案可以输出不同的内容。举例来说，假设目标语料为“现在几点了”，就可以在其对应的答案中加一个当前时间的变量。如下面语法所示。

<grammar1>:现在几点了

<answer1>:现在是<time>

语法<grammar1>对应的答案输出为<answer1>。在<answer1>中，<time>属于特殊变量，由语意解析器120替换成格式为“x点x分”的当前时间。即，如果测试时间为11点20分，则输出答案是“现在是11点20分”。据此，在答案的选择上将会更贴近一般对谈。

另外，在判定语法中包括指示代词时，在无法自上文语料来获得对应的指示代词时，还可提示一询问讯息来主动询问用户。例如，使用者提问了“他唱过什么歌？”，而应用程序在发现存在指示代词但无法自上文语料来获得对应的指示代词时，认为是缺失了信息，便主动询问用户“你想要查谁唱过的歌？”。

综上所述，本发明将语义槽的验证放到语义解析的过程中，在匹配规则成功后不是马上输出语义，而是检查是否有需要验证的语义槽，如果有则利用内置知识库来进行验证，在验证成功之后才输出语义，否则不输出。如此可保证下游的应用程序拿到的语义永远是正确的。另外，还将指代消解的过程放到语义解析的过程中，在语法规则匹配成功后不是直接输出语义，而是继续检查语义中是否包含指示代词，如果存在指示代词，就在先前保存的上文信息中来获取指代的内容，之后对获取到的内容进行验证，如果验证成功才输出语义，否则不输出。并且，在答案中加入特定的变量，根据变量的值来选择不同的输出内容，解决了无法灵活编辑和无法根据上文语境输出的问题。

虽然本发明已以实施例公开如上，但其并非用于限定本发明，任何所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作些许的变更与润饰，故本发明的保护范围当视权利要求书所界定者为准。

Claims (7)

1.一种自然语言的语义解析方法，包括：

基于一语法规则集匹配一目标语料而获得匹配成功的一语法；

检查该语法是否包括需要进行验证的一语义槽；

在判定该语法包括需要进行验证的该语义槽的情况下，查询一内建知识库中是否存在与该语义槽的一槽值相匹配的结果；

当无法获得与该槽值相匹配的结果时，判定该槽值的语义不正确；以及

当获得与该槽值相匹配的结果时，输出该语法的一语义分析结果。

2.如权利要求1所述的自然语言的语义解析方法，其中该内建知识库包括多个数据库，而在判定该语法包括需要进行验证的该语义槽的情况下，基于该语义槽的槽验证类别，自所述数据库中取出对应的其中一个来进行查询。

3.如权利要求1所述的自然语言的语义解析方法，还包括：

在判定该语法不包括需要进行验证的该语义槽的情况下，输出该语法的该语义分析结果。

4.如权利要求1所述的自然语言的语义解析方法，其中在获得该语法之后，还包括：

在判定该语法中包括一指示代词时，根据该目标语料的一上文语料对应的另一语法来获得该指示代词对应的一词汇；以及

验证该词汇的语义。

5.如权利要求1所述的自然语言的语义解析方法，其中在获得该语法之后，还包括：

在判定该语法中包括一指示代词时，提示一询问讯息。

6.如权利要求1所述的自然语言的语义解析方法，还包括：

根据该语义槽的引用类别，记录该语义槽对应的该词汇。

7.如权利要求1所述的自然语言的语义解析方法，还包括：

提供一修饰符，其中该修饰符用以记录前次匹配语义；

其中，在获得与该槽值相匹配的结果之后，还包括：

根据该语法是否记载该修饰符，输出一匹配答案。