毛莉娜， 李衛(wèi)華

(1.廣東輕工職業(yè)技術(shù)學(xué)院 機(jī)電工程系，廣東 廣州 510300； 2.廣東工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，廣東 廣州 510006)

利用智能引導(dǎo)和KDML增強(qiáng)可拓模型人機(jī)建模能力研究

毛莉娜1， 李衛(wèi)華2

(1.廣東輕工職業(yè)技術(shù)學(xué)院 機(jī)電工程系，廣東 廣州 510300； 2.廣東工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，廣東 廣州 510006)

為了利用計(jì)算機(jī)協(xié)助人們建立待求解問題的可拓模型，必須讓計(jì)算機(jī)識(shí)別用自然語言描述的問題，而且要理解問題的含義，這是相當(dāng)困難的任務(wù)。本文提出利用人機(jī)界面Agent的智能引導(dǎo)并結(jié)合知網(wǎng)(HowNet)中的知識(shí)系統(tǒng)描述語言(KDML)，增強(qiáng)計(jì)算機(jī)語義處理能力的方法。以求職問題為實(shí)踐的結(jié)果說明了方法的有效性。由于KDML有較強(qiáng)的表示語義信息的作用，通過人機(jī)交互也能減輕計(jì)算機(jī)自然語言理解的困難。因此該方法能將自然語言描述的待求解問題的目標(biāo)和條件進(jìn)行分離和形式化，使計(jì)算機(jī)更有效地建立待求解問題的可拓模型。

智能引導(dǎo)；KDML；自然語言理解；語義；可拓模型；Agent；人機(jī)交互；知網(wǎng)

中文引用格式：毛莉娜，李衛(wèi)華. 利用智能引導(dǎo)和KDML增強(qiáng)可拓模型人機(jī)建模能力研究[J]. 智能系統(tǒng)學(xué)報(bào)， 2017, 12(3): 348-354.

英文引用格式：MAO Li’na， LI Weihua. Research on enhancing the human-machine modeling ability for an extension model using the intelligent guide and KDML[J]. CAAI transactions on intelligent systems, 2017, 12(3): 348-354.

計(jì)算機(jī)為了判斷人們待求解的問題是否為矛盾問題(即判斷在當(dāng)前條件下能否實(shí)現(xiàn)人們所希望的目標(biāo))，必須分離待求解問題的目標(biāo)和條件，并且形式化，即建立問題的可拓模型[1]，才能針對不同類型的問題采取不同的解決方法(非矛盾問題用常規(guī)方法求解，矛盾問題用可拓學(xué)方法解決)。然而，用戶問題經(jīng)常是用自然語言表述的，比如，“我如何提高自己的職業(yè)能力才能應(yīng)聘項(xiàng)目經(jīng)理”，或者“我如何找到一份工作，工資待遇較好，符合個(gè)人興趣，而且工作條件不會(huì)太差”等。如果直接讓計(jì)算機(jī)理解這些自然語言信息是很困難的，導(dǎo)致可拓模型難以建立。文獻(xiàn)[2]曾介紹過如何借助Agent技術(shù)協(xié)助建立矛盾問題的可拓模型，該方案是讓Agent處理半結(jié)構(gòu)化的信息，而不涉及自然語言理解。但如何構(gòu)造半結(jié)構(gòu)化的信息也相當(dāng)復(fù)雜，不容易實(shí)現(xiàn)。文獻(xiàn)[3]利用分類思想對矛盾問題建模，并要求用戶輸入目標(biāo)句，但沒有提及條件，即默認(rèn)用戶的條件一定不滿足目標(biāo)(矛盾問題)。這就把那些非矛盾的問題排除在外，無法用計(jì)算機(jī)求解了。文獻(xiàn)[4]建立可拓模型的方法是：當(dāng)用戶提供的需求語句可能只是目標(biāo)或條件之中的一個(gè)，或者提供了不完整的目標(biāo)和條件的情況時(shí)，利用數(shù)據(jù)庫中數(shù)據(jù)對可拓模型進(jìn)行補(bǔ)充和完善[4]。然而，如果數(shù)據(jù)庫中沒有相關(guān)數(shù)據(jù)時(shí)則無法成功建模，也就無法用計(jì)算機(jī)求解該問題了。物元有各種屬性，文獻(xiàn)[3]介紹的方法是相關(guān)屬性由用戶自己輸入，此方法雖然靈活，但仍需要人的操作。文獻(xiàn)[4]的方法是預(yù)先準(zhǔn)備好若干個(gè)屬性，再讓計(jì)算機(jī)處理。此方法發(fā)揮了計(jì)算機(jī)的作用，但靈活性不足。另外，文獻(xiàn)[3]和文獻(xiàn)[4]都未對文獻(xiàn)[5]中提出的對矛盾問題的界定與建模時(shí)出現(xiàn)的語義歧義問題進(jìn)行處理。

針對這些不足，我們開展了深入的研究，探索更好的建立待求解問題可拓模型的方法。在研究過程中，我們分析了知網(wǎng)(HowNet)[6]的KDML(knowledge database mark-up language)——知網(wǎng)知識(shí)系統(tǒng)描述語言[7]。郝長伶等設(shè)計(jì)了這種知識(shí)描述規(guī)范體系，他們經(jīng)過對中英文兩種語言各8 萬多條概念的描述，證明這種體系便于對意義的計(jì)算，更直觀，有較好的可讀性[8]。文獻(xiàn)[9]認(rèn)為中文詞語間的組合主要基于語義，并指出：與其他的中文語塊抽取系統(tǒng)不同的是，經(jīng)過用知網(wǎng)中文信息結(jié)構(gòu)抽取器處理后的中文信息結(jié)構(gòu)內(nèi)部的語義關(guān)系是清晰明確的，其每一個(gè)部分的語義都被確定并保留了[9]。本文在上述工作的基礎(chǔ)上，提出一種增強(qiáng)計(jì)算機(jī)建立待求解問題可拓模型能力的方法：結(jié)合人機(jī)界面Agent的智能引導(dǎo)能力，并充分利用KDML表達(dá)性，增強(qiáng)計(jì)算機(jī)的語義處理能力，使計(jì)算機(jī)能更有效地將自然語言描述的待求解問題的目標(biāo)和條件進(jìn)行分離和形式化，建立待求解問題的可拓模型，為進(jìn)一步協(xié)助解決待求解問題奠定基礎(chǔ)。

1 KDML的語義描述能力

有關(guān)KDML的詳細(xì)內(nèi)容請閱讀文獻(xiàn)[7]，這里只做簡單介紹：

1)KDML總規(guī)定有7點(diǎn)，確定描述規(guī)范。

2)KDML 中的特定標(biāo)識(shí)符有7種，分別是左括號(hào)({)、右括號(hào)(})、冒號(hào)(:)、逗號(hào)(,)、等號(hào)(=)、分號(hào)(;)、引號(hào)(“)。

3)3種特殊的指示符號(hào)：義原～、義原?、義原$。

4)事件類概念的描述方法包括簡單概念和復(fù)雜概念。

5)實(shí)體類概念的描述方法包括簡單概念和復(fù)雜概念。

6)屬性類概念的描述方法。

7)屬性值類概念的描述方法。

8)89種動(dòng)態(tài)角色的使用，復(fù)雜概念需要用這些動(dòng)態(tài)角色。

知網(wǎng)利用KDML把概念表示成義原(也叫義元)的DEF表達(dá)式，可稱為一個(gè)語義表達(dá)式。例如：“阿姨”這個(gè)詞知網(wǎng)用兩個(gè)不同的義項(xiàng)將它們的語義表達(dá)如下：

NO.=000808

W_C=阿姨

S_C=

E_C=

W_E=aunt

G_E=N

S_E=

E_E=

長輩}}

NO.=000807

W_C=阿姨

G_C=N [a1 yi2]

S_C=

E_C=

W_E=nurse

G_E=N

S_E=

E_E=

通過這樣的KDML語義表達(dá)，可以把兩個(gè)有歧義的概念區(qū)分開，不至于產(chǎn)生語義二義性。

KDML除了對詞語所代表的概念進(jìn)行描述外，它還使得每一種信息結(jié)構(gòu)也都成為可以計(jì)算的對象[9]。因此，有利于計(jì)算機(jī)理解用戶輸入問題的目標(biāo)和條件，減少語義模糊。

2 增強(qiáng)的可拓模型建立方法

可拓學(xué)原理指出：必須把待求解問題解析出目標(biāo)和條件，才能建立問題的可拓模型。如果計(jì)算機(jī)直接接收用戶用自然語言描述的問題，要解析出目標(biāo)和條件無疑會(huì)陷入自然語言理解的困境中。因此，我們提出讓Agent引導(dǎo)用戶分別輸入問題的目標(biāo)和條件，而不要兩者混雜在一起輸入。

以求職問題為例：Agent可以問用戶想應(yīng)聘什么職位，用戶必然輸入希望應(yīng)聘的職位，這相當(dāng)于問題的目標(biāo)部分；然后Agent再引導(dǎo)用戶輸入個(gè)人資質(zhì)信息，這相當(dāng)于問題的條件部分。這樣，問題的目標(biāo)和條件就基本分離了。

分離了問題的目標(biāo)和條件后，還要形式化，以便計(jì)算機(jī)處理。我們可以用文獻(xiàn)[3]的分詞步驟或文獻(xiàn)[4]的組塊分析步驟對目標(biāo)和條件句進(jìn)行處理，也可以用國內(nèi)外文獻(xiàn)介紹的各種方法進(jìn)行處理，但這些方法處理中文語義不如知網(wǎng)。本文提出用文獻(xiàn)[9]的描述基于“知網(wǎng)”的中文信息結(jié)構(gòu)抽取方法對問題目標(biāo)和條件進(jìn)行處理，再用KDML形式化。

假設(shè)用戶目標(biāo)是“應(yīng)聘成本會(huì)計(jì)師”，該短語可以解析出兩個(gè)知網(wǎng)詞語，“應(yīng)聘”和“成本會(huì)計(jì)師”，其KDML表達(dá)式如下：

NO.=100746

W_C=應(yīng)聘

G_C=V

E_C=

W_E=accept an offer of employment

G_E=V

E_E=

NO.=017547

W_C=成本會(huì)計(jì)師

G_C=N [cheng2 ben3 kuai4 ji4 shi1]

S_C=

E_C=

W_E=cost accountant

G_E=N

S_E=

E_E=

NO.=100746的DEF表達(dá)式的語義是接受，內(nèi)容是雇用；NO.=017547的DEF表達(dá)式的語義清楚說明，“成本會(huì)計(jì)師”是人，是職位的宿主，該人屬于“金融”領(lǐng)域，是“計(jì)算”的施事者，計(jì)算內(nèi)容是“錢財(cái)”。對此表達(dá)式，用戶和計(jì)算機(jī)都不難理解其語義。

從知網(wǎng)-中文信息結(jié)構(gòu)庫[10]知道，“應(yīng)聘成本會(huì)計(jì)師”的信息結(jié)構(gòu)是SYN_S=V --> N，SEM_S=(事件) --> [內(nèi)容] (萬物/部件)，其中SYN_S表示相應(yīng)的句法結(jié)構(gòu)式，SEM_S表示信息結(jié)構(gòu)模式，“應(yīng)聘”是(事件)，而“成本會(huì)計(jì)師”是[內(nèi)容] (萬物/部件)。

假設(shè)用戶輸入的資質(zhì)條件是“大學(xué)本科畢業(yè)，英語過了四級(jí)”?！按髮W(xué)本科畢業(yè)”可以解析出兩個(gè)知網(wǎng)詞語，即“大學(xué)本科”和“畢業(yè)”，“大學(xué)本科畢業(yè)”的信息結(jié)構(gòu)是SYN_S=N <-- V，SEM_S=(萬物/部件)[內(nèi)容] <-- (事件，行動(dòng))，“大學(xué)本科”是(萬物/部件)[內(nèi)容]，而“畢業(yè)”是(事件，行動(dòng))?！坝⒄Z過了四級(jí)”可以解析出4個(gè)知網(wǎng)詞語：“英語”“過”“四”“級(jí)”，“過四級(jí)”的信息結(jié)構(gòu)類似SYN_S=V <-- {NUM --> N}，SEM_S=(事件，行動(dòng)) <-- [動(dòng)量]{(數(shù)量值) --> (物質(zhì)，用具/部件，%動(dòng)物)}。

目標(biāo)和條件用KDML形式化后，為了建立可拓模型，還需要把KDML表達(dá)的詞語轉(zhuǎn)變成基元。本課題組曾研究過相關(guān)的內(nèi)容，主要是靠人來建立基元，存儲(chǔ)后作為基礎(chǔ)庫[11]。本文提出用人機(jī)交互方式建立基元，發(fā)揮計(jì)算機(jī)的作用，減輕人的勞動(dòng)?；梢允俏镌狹、事元A、關(guān)系元R，詳細(xì)內(nèi)容見文獻(xiàn)[1]。比如，目標(biāo)“應(yīng)聘成本會(huì)計(jì)師”的KDML表達(dá)式句法是SYN_S=V→ N，動(dòng)詞“應(yīng)聘”為首，名詞“成本會(huì)計(jì)師”為后，計(jì)算機(jī)將前者轉(zhuǎn)變?yōu)榭赏貙W(xué)的事元A，后者轉(zhuǎn)變?yōu)槲镌狹。本文讓計(jì)算機(jī)從KDML表達(dá)式中提取物元各屬性值，再提交給用戶確認(rèn)屬性名。經(jīng)用戶確認(rèn)后，目標(biāo)基元如下：

A=[應(yīng)聘， 支配對象，M]

A1=[計(jì)算，支配對象，錢財(cái)]

條件“大學(xué)本科畢業(yè)，英語過了四級(jí)”是求職者的屬性，計(jì)算機(jī)把KDML表達(dá)式填入求職者物元屬性值中，再經(jīng)過用戶確認(rèn)屬性名后建立起條件物元M1：

因此，用戶問題P：“我大學(xué)本科畢業(yè)，英語過了四級(jí)，如何應(yīng)聘成本會(huì)計(jì)師？”就成功地被建立為以下可拓模型：

P=[應(yīng)聘，支配對象，M]·

綜上所述，增強(qiáng)計(jì)算機(jī)可拓建模能力的方法歸納如下：

1)引導(dǎo)用戶輸入待求解問題的目標(biāo)部分；

2)引導(dǎo)用戶輸入待求解問題的條件部分；

3)用基于“知網(wǎng)”的中文信息結(jié)構(gòu)抽取方法分別解析目標(biāo)和條件，用KDML形式化；

4)將KDML表示的目標(biāo)和條件通過人機(jī)交互轉(zhuǎn)變成目標(biāo)基元G和條件基元L；

5)形成待求解問題P的可拓模型P=G·L。

3 方法實(shí)踐

我們將職業(yè)學(xué)院畢業(yè)生求職問題作為應(yīng)用實(shí)踐來說明本文所提方法的有效性。

為了實(shí)現(xiàn)智能引導(dǎo)，我們采用本課題組曾研究過的MVC架構(gòu)的人機(jī)界面Agent[12]，不同之處是領(lǐng)域知識(shí)不一樣。文獻(xiàn)[12]的知識(shí)庫存放的是旅游領(lǐng)域知識(shí)，本文則要存放職業(yè)信息。我們搜集了國家職業(yè)大典，部分信息如圖1所示。

圖1 職業(yè)信息Fig.1 Occupational information

這些信息是Agent處理用戶目標(biāo)的背景知識(shí)，用Excel表存放在計(jì)算機(jī)中備用。Agent用Java技術(shù)[13]開發(fā)，運(yùn)行在Web[14]環(huán)境下，系統(tǒng)采用開源的Tomcat服務(wù)器[15]和MySQL數(shù)據(jù)庫[16]。

3.1 引導(dǎo)目標(biāo)和條件

為了使Agent引導(dǎo)用戶輸入目標(biāo)，我們采用與文獻(xiàn)[17]相似的交互策略。在輸入界面給予示范，引導(dǎo)用戶輸入問題信息，并靈活對待不同的問題。

假設(shè)Agent問：“您想應(yīng)聘什么職位？”用戶輸入某職位名稱后，Agent先檢查國家職業(yè)大典Excel表有無此職位，有則Agent可以轉(zhuǎn)向引導(dǎo)用戶輸入，無則要求用戶進(jìn)一步指明。我們在實(shí)踐中發(fā)現(xiàn)大致有3種情形：1)用戶有時(shí)輸入錯(cuò)誤；2)用戶輸入的職位名稱不是職業(yè)大典使用的名稱，但實(shí)際上語義是一致的，比如用戶輸入“軟件開發(fā)人員”，而職業(yè)大典中的“計(jì)算機(jī)與應(yīng)用工程技術(shù)人員”的確解釋為“從事計(jì)算機(jī)硬件、軟件、網(wǎng)絡(luò)研究、設(shè)計(jì)、開發(fā)、調(diào)試、集成、維護(hù)和管理以及系統(tǒng)分析的工程技術(shù)人員”；3)職業(yè)大典未明確列出的新職位。對于這些情形，Agent巧妙地回答“我尚未發(fā)現(xiàn)此類職位，它屬于哪個(gè)大類？”同時(shí)列出職業(yè)大典的八大類職業(yè)名稱來請用戶選擇，并逐步引導(dǎo)至中類甚至小類，最后選項(xiàng)是“不便分類的其他從業(yè)人員”，至此解決目標(biāo)問題。

目標(biāo)明確后，Agent下一步又問“您目前有什么工作經(jīng)驗(yàn)或知識(shí)水平”，請用戶輸入個(gè)人資質(zhì)條件，比如“愛好編程”“會(huì)Java語言”等。

3.2 KDML形式化

對于五花八門的目標(biāo)和條件，如“應(yīng)聘軟件開發(fā)人員”“愛好編程”等，本文提出用基于“知網(wǎng)”的中文信息結(jié)構(gòu)抽取方法進(jìn)行處理，知網(wǎng)-中文信息結(jié)構(gòu)庫是Word文檔，如圖2所示。

圖2 知網(wǎng)-中文信息結(jié)構(gòu)庫Fig.2 HowNet-Chinese information structure libraries

我們采用文獻(xiàn)[18]介紹的切分、組詞、消歧和中文語塊抽取步驟，可以做到最后從文本中抽取到的不只是句法結(jié)構(gòu)，更是語義結(jié)構(gòu)[18]。如“愛好編程”的切分是“愛-好-編-程”，在知網(wǎng)知識(shí)庫的支持下組詞(本文采用知網(wǎng)中英雙語知識(shí)詞典 .txt文件，存放在計(jì)算機(jī)中)得到“愛好-編程”，因?yàn)榻M詞時(shí)可能會(huì)產(chǎn)生歧義[18]，“愛好”可以是名詞，也可以是動(dòng)詞(“編程”也是如此)。所以分別寫出“愛好”的兩個(gè)KDML語義表達(dá)式讓用戶確定：

NO.=001198

W_C=愛好

G_C=V [ai4 hao4]

E_C=～唱京戲，～跳舞，～書法，～滑冰，音樂～者

W_E=be fond of

G_E=V

E_E=

NO.=001202

W_C=愛好

G_C=N [ai4 hao4]

S_C=

E_C=～廣泛，不要因?yàn)槟愕摹绊憣W(xué)習(xí)，僅憑～學(xué)習(xí)會(huì)偏科

W_E=interest

G_E=N

S_E=

E_E=

Agent此時(shí)需要在人機(jī)交互下消歧，在屏幕顯示“愛好”的兩個(gè)KDML語義表達(dá)式后問用戶哪一個(gè)“愛好”是符合語義的詞，用戶選出這里的“愛好”應(yīng)該是動(dòng)詞(NO.=001198)，因此Agent將“愛好-編程”中“愛好”名詞消去，保留動(dòng)詞(同理將“編程”動(dòng)詞消去，保留名詞)，再抽取信息結(jié)構(gòu)：SYN_S=V--> N，SEM_S=(事件，精神狀態(tài)/變精神)-->[對象] (萬物/屬性)(例子：愛好-音樂)，并將結(jié)果顯示給用戶，通過人機(jī)交互更有效地確認(rèn)形式化。

“會(huì)Java語言”的切分是“會(huì)-Java-語-言”(英語不用切分)，組詞得到“會(huì)-Java-語言”，“會(huì)”在知網(wǎng)中有多個(gè)義項(xiàng)數(shù)，如：

Agent根據(jù)自主性[19]排除了與求職者屬性無關(guān)的義項(xiàng)，保留了以下義項(xiàng)：

NO.=039130

W_C=會(huì)

G_C=V

E_C=

W_E=grasp

G_E=V

E_E=

據(jù)此抽取信息結(jié)構(gòu)：SYN_S=V-->N，SEM_S=(事件)-->[受事] (萬物/部件/屬性/時(shí)間)。

3.3 轉(zhuǎn)變?yōu)榛?/p>

Agent引導(dǎo)了目標(biāo)和條件，并對目標(biāo)和條件用KDML規(guī)范形式化后，還需轉(zhuǎn)變?yōu)榛?/p>

目標(biāo)“應(yīng)聘軟件開發(fā)人員”根據(jù)句法表達(dá)式SYN_S=V→N可以轉(zhuǎn)變?yōu)槭略狝和物元M，物元M的屬性值是計(jì)算機(jī)從“軟件開發(fā)人員”的KDML表達(dá)式中抽取并填入的，屬性名通過人機(jī)交互由用戶確定：

A=[應(yīng)聘，支配對象，M]

A1=[編寫，支配對象，程序]

條件“愛好編程”和“會(huì)Java語言”是求職者的屬性，用類似的方法轉(zhuǎn)變?yōu)闂l件物元M1：

A2=[了解， 支配對象， Java語言]

3.4 形成待求解問題的可拓模型

經(jīng)過上述步驟，用戶問題P“我愛好編程，會(huì)Java語言，想應(yīng)聘軟件開發(fā)人員”被引導(dǎo)出，目標(biāo)G=“應(yīng)聘軟件開發(fā)人員”，條件L=“愛好編程，會(huì)Java語言”，最后成功地建立為以下可拓模型P=G·L：

從我們的實(shí)踐來看，Agent對特定問題的智能引導(dǎo)還是有效的，因?yàn)槲覀儗μ囟▎栴}輸入的目標(biāo)或條件的可能性基本都估計(jì)到了。但是，對于過于廣泛的問題，由于人本身無法預(yù)料全部輸入，因此也無法為Agent準(zhǔn)備有效的應(yīng)對措施，目前只能輸出“抱歉”等字樣來表明Agent無法引導(dǎo)某些問題。另外，在人機(jī)交互時(shí)如果用戶對某詞語的多個(gè)(比較接近的)義項(xiàng)理解有偏差，會(huì)導(dǎo)致計(jì)算機(jī)建立的可拓模型不符合現(xiàn)實(shí)邏輯的情況，這點(diǎn)只能由集體智慧[20]來發(fā)現(xiàn)和糾正。

4 結(jié)束語

本文提出了利用KDML并結(jié)合人機(jī)界面Agent的智能引導(dǎo)的方法增強(qiáng)計(jì)算機(jī)建立可拓模型能力，本方法一方面減輕了計(jì)算機(jī)自然語言理解的困難，另一方面減少了語義歧義，計(jì)算機(jī)可以更快速有效地建模，從而為用計(jì)算機(jī)求解問題奠定了基礎(chǔ)。

如何評價(jià)所提方法的有效性？我們認(rèn)為通過集體智慧發(fā)表意見比較可行。每當(dāng)建立了一個(gè)可拓模型后，讓其他人對結(jié)果進(jìn)行評議，如果多數(shù)人認(rèn)為建模成功，該次建模就有效。如果多數(shù)人認(rèn)為建模不正確，該次建模就失敗，這時(shí)就要分析原因，進(jìn)行改進(jìn)，不斷完善。

建立了待求解問題的可拓模型，只是計(jì)算機(jī)協(xié)助人們解決問題的第一步，后面的工作還很艱巨。因?yàn)椤白匀徽Z言理解”這樣對人來說不太困難的任務(wù)，計(jì)算機(jī)都完成得相當(dāng)困難，那么后面的“求解問題”這樣對人來說很不輕松的任務(wù)，計(jì)算機(jī)就更難解決了。然而我們認(rèn)為，充分發(fā)揮人的智慧和機(jī)器智能進(jìn)行人機(jī)交互，揚(yáng)長避短，是利用計(jì)算機(jī)求解問題的有效方法，是未來的研究方向。

[1]楊春燕, 蔡文. 可拓學(xué)[M]. 北京: 科學(xué)出版社, 2014: 1-381.

[2]李衛(wèi)華. Agent協(xié)助建立矛盾問題的可拓模型研究[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí), 2009, 39(4): 173-177. LI Weihua. The research of extension model for contradiction problems with Agent[J]. Mathematics in practice and theory, 2009, 39(4): 173-177.

[3]汪中飛, 李衛(wèi)華, 陶星. 基于分類的ESGS矛盾問題建模的研究[J]. 廣東工業(yè)大學(xué)學(xué)報(bào), 2014, 31(4): 14-19. WANG Zhongfei, LI Weihua, TAO Xing. Research on ESGS contradiction problem modeling based on classification[J]. Journal of Guangdong university of technology, 2014, 31(4): 14-19.

[4]王定橋, 李衛(wèi)華, 楊春燕. 從用戶需求語句建立問題可拓模型的研究[J]. 智能系統(tǒng)學(xué)報(bào), 2015, 10(6): 865-871. WANG Dingqiao, LI Weihua, YANG Chunyan. Research on building an extension model from user requirements[J]. CAAI transactions on intelligent systems, 2015, 10(6): 865-871.

[5]趙杰, 李衛(wèi)華. 基于知網(wǎng)的矛盾問題語義二義性研究[J]. 廣東工業(yè)大學(xué)學(xué)報(bào), 2014, 31(2): 21-26. ZHAO Jie, LI Weihua. Research on the ambiguity of contradiction based on hownet[J]. Journal of Guangdong university of technology, 2014, 31(2): 21-26.

[6]董振東, 董強(qiáng). 知網(wǎng)[EB/OL]. http://www.keenage.com/zhiwang/c_zhiwang.Html.

[7]KDML. 知網(wǎng)知識(shí)系統(tǒng)描述語言[EB/OL]. http://www.keenage.com/html/c_index.Html.

[8]郝長伶, 董強(qiáng). 知網(wǎng)知識(shí)庫描述語言[C]//語言計(jì)算與基于內(nèi)容的文本處理——全國第七屆計(jì)算語言學(xué)聯(lián)合學(xué)術(shù)會(huì)議論文集. 哈爾濱: 中國中文信息學(xué)會(huì), 2003: 371-377. HAO Changling, DONG Qiang. Knowledge database mark-up language of HowNet[C]//Language Computing and Content Based Text Processing, Proceedings of the 7th National Joint Academic Conference on Computational Linguistics. Harbin, 2003: 371-377.

[9]董強(qiáng), 郝長伶, 董振東. 基于知網(wǎng)的中文信息結(jié)構(gòu)抽取[EB/OL]. http://www.keenage.com/html/c_index.html.

[10]董振東, 董強(qiáng). 關(guān)于知網(wǎng)-中文信息結(jié)構(gòu)庫[EB/OL]. http://www.keenage.com/html/c_index.html.

[11]陶星. 基于知網(wǎng)的領(lǐng)域可拓基礎(chǔ)庫的研究與實(shí)現(xiàn)[D]. 廣州: 廣東工業(yè)大學(xué), 2015: 1-61. TAO Xing. Research and implementation of extension domain base on HowNet[D]. Guangzhou: Guangdong University of Technology, 2015: 1-61.

[12]方卓君. 基于Agent的用戶信息智能引導(dǎo)的研究[D]. 廣州: 廣東工業(yè)大學(xué), 2010: 1-54. FANG Zhuojun. Research on Agent-based intelligent guide for user information[D].Guangzhou: Guangdong University of Technology, 2010: 1-54.

[13]李衛(wèi)華. Java技術(shù)及其應(yīng)用[M]. 北京: 清華大學(xué)出版社, 2009: 1-281.

[14]劉甫迎, 饒斌, 鄭顯舉, 等. Java EE Web編程技術(shù)教程[M]. 北京: 電子工業(yè)出版社, 2010: 1-374.

[15]孫衛(wèi)琴. Tomcat與Java Web開發(fā)技術(shù)詳解[M]. 2版. 北京: 電子工業(yè)出版社, 2009: 1-734.

[16]KOFLER M. MySQL 5權(quán)威指南[M]. 楊曉云, 王建橋, 楊濤, 等, 譯. 北京: 人民郵電出版社, 2006: 1-662.

[17]李衛(wèi)華, 楊春燕, 方卓君. 提高軟件Agent策略生成的語義互操作能力[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí), 2012, 42(11): 131-138. LI Weihua, YANG Chunyan, FANG Zhuojun. Improve the semantic interoperability for software Agents strategy generation[J]. Mathematics in practice and theory, 2012, 42(11): 131-138.

[18]董強(qiáng), 郝長伶, 董振東. 基于《知網(wǎng)》的中文語塊抽取器[C]//語言計(jì)算與基于內(nèi)容的文本處理——全國第七屆計(jì)算語言學(xué)聯(lián)合學(xué)術(shù)會(huì)議論文集. 哈爾濱: 中國中文信息學(xué)會(huì), 2003: 234-239. DONG Qiang, HAO Changling, DONG Zhendong. HowNet- based Chinese chunk extractor[C]//Language Computing and Content Based Text Processing, Proceedings of the 7th National Joint Academic Conference on Computational Linguistics. Harbin, China, 2003: 234-239.

[19]WOOLDRIDGE M. 多Agent系統(tǒng)引論[M]. 石純一, 譯. 北京: 電子工業(yè)出版社, 2003: 1-258.

[20]莊子勻, 陳敬良, 羅堯成. 網(wǎng)絡(luò)集體智慧研究述評[J]. 情報(bào)雜志, 2014, 33(5): 31-37. ZHUANG Ziyun, CHEN Jingliang, LUO Yaocheng. A review on web-enabled collective intelligence[J] Journal of intelligence, 2014, 33(5): 31-37.

Research on enhancing the human-machine modeling ability for an extension model using the intelligent guide and KDML

MAO Li’na1， LI Weihua2

(1. Department of Mechanical and Electrical Engineering, Guangdong Industry Polytechnic, Guangzhou 510300, China; 2. School of Computers, Guangdong University of Technology, Guangzhou 510006, China)

When using a computer to establish an extension model for solving problems, the computer must be able to recognize problems described in natural languages, and, in particular, must understand the meaning of the problems. This is a very difficult task. Knowledge database mark-up language (KDML) in HowNet has a strong semantic information expression function. Through human-machine interaction, it can also reduce the difficulty that computers encounter when understanding natural language. A method to enhance the computer’s semantic processing ability, based on the human-machine interface agent’s intelligent guide and KDML, is proposed. The goals and conditions of the problems to be solved described in natural language are separated and formalized, making the computer establish the problem-solving extension model more effectively.

intelligent guide; KDML; natural language understanding; semantic; extension model; Agent; human-machine interaction; HowNet

10.11992/tis.201610017

http://kns.cnki.net/kcms/detail/23.1538.TP.20170404.1218.008.html

2016-10-14. 網(wǎng)絡(luò)出版日期：2017-04-04.

國家自然科學(xué)基金項(xiàng)目(61273306，61571141).

李衛(wèi)華. E-mail：lw@gdut.edu.cn.

TP3

A

1673-4785(2017)03-0348-07

毛莉娜，女，1988年生，講師，主要研究方向?yàn)樽詣?dòng)控制技術(shù)、計(jì)算機(jī)技術(shù)、電子工程技術(shù)。主持廣東省發(fā)明專利產(chǎn)業(yè)化重點(diǎn)項(xiàng)目1項(xiàng)、江西省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目1項(xiàng)，參與國家自然科學(xué)基金項(xiàng)目2項(xiàng)，其他項(xiàng)目多項(xiàng)。發(fā)表學(xué)術(shù)論文8篇。

李衛(wèi)華，女，1957年生，教授，主要研究方向?yàn)橹悄苘浖?、面向Agent計(jì)算、網(wǎng)絡(luò)信息系統(tǒng)。主持廣東省自然科學(xué)基金項(xiàng)目3項(xiàng)，參與國家自然科學(xué)基金項(xiàng)目2項(xiàng)。發(fā)表學(xué)術(shù)論文40余篇。