英語(yǔ)情態(tài)動(dòng)詞語(yǔ)義排歧中的知識(shí)發(fā)現(xiàn)研究

李洪波 于建平

摘要：該文以形式觀念分析理論為支撐，以屬性結(jié)構(gòu)偏序圖為工具，探討英語(yǔ)情態(tài)動(dòng)詞語(yǔ)義排歧中的知識(shí)發(fā)現(xiàn)，提出進(jìn)行英語(yǔ)情態(tài)動(dòng)詞的知識(shí)發(fā)現(xiàn)分的五個(gè)層次和五個(gè)視角。五個(gè)層次為：語(yǔ)言學(xué)準(zhǔn)備層，數(shù)據(jù)采集層，數(shù)據(jù)預(yù)處理層，形式概念分析層和知識(shí)發(fā)現(xiàn)層；五個(gè)視角為：語(yǔ)義模式識(shí)別，語(yǔ)義規(guī)則提取，特征選擇優(yōu)化，句法與語(yǔ)義互動(dòng)關(guān)系，屬性重要度分析。該文提出的情態(tài)動(dòng)詞語(yǔ)義排歧中知識(shí)發(fā)現(xiàn)框架，既可以其他復(fù)雜語(yǔ)義詞的知識(shí)發(fā)現(xiàn)，也可以應(yīng)用到機(jī)器翻譯和其他自然語(yǔ)言處理領(lǐng)域。

關(guān)鍵詞：模式識(shí)別；規(guī)則提?。惶卣鬟x擇優(yōu)化；句法語(yǔ)義互動(dòng)；屬性重要度分析

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）12-0181-05

1前言

知識(shí)發(fā)現(xiàn)是指從數(shù)據(jù)集中提取有效的、新穎的、潛在有用的、可理解的模式的非平凡過(guò)程[1]。隨著大數(shù)據(jù)時(shí)代的來(lái)臨，知識(shí)發(fā)現(xiàn)引起了各領(lǐng)域、各學(xué)科的關(guān)注，如工業(yè)[2]、農(nóng)業(yè)[3]、生物醫(yī)學(xué)[4]、 網(wǎng)絡(luò)輿情[5]等等。從紛繁的數(shù)據(jù)中發(fā)現(xiàn)知識(shí)，已成為是人工智能領(lǐng)域的重要工作之一[6]。作為一種有潛力的獲取新穎、有用、可理解知識(shí)的方法，知識(shí)發(fā)現(xiàn)也被應(yīng)用到語(yǔ)言學(xué)和自然語(yǔ)言處理領(lǐng)域 [7]，知識(shí)發(fā)現(xiàn)是挖掘語(yǔ)言背后隱性知識(shí)的有效方法。

語(yǔ)義排歧一直是自然語(yǔ)言處理領(lǐng)域的熱點(diǎn)問(wèn)題，復(fù)雜語(yǔ)義詞 — 英語(yǔ)情態(tài)動(dòng)詞的語(yǔ)義排歧更是棘手問(wèn)題。近年來(lái)，英語(yǔ)情態(tài)動(dòng)詞語(yǔ)義排歧領(lǐng)域有很多開(kāi)拓性的研究，于建平教授等分別研究了基于神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、樸素貝葉斯概率、模糊 c 均值聚類、自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理系統(tǒng)以及屬性偏序圖的英語(yǔ)情態(tài)動(dòng)詞的語(yǔ)義排歧[8-13]，筆者也從不同視角對(duì)英語(yǔ)情態(tài)動(dòng)詞語(yǔ)義排歧進(jìn)行了知識(shí)發(fā)現(xiàn)研究[14-18]?？v觀前期研究成果，研究或止于高精確語(yǔ)義排歧模型的建立，或局限于某個(gè)單獨(dú)視角研究語(yǔ)義排歧中的知識(shí)發(fā)現(xiàn)，因此，本文在總結(jié)前期研究的基礎(chǔ)上，提出英語(yǔ)情態(tài)動(dòng)詞語(yǔ)義排歧中知識(shí)發(fā)現(xiàn)的基本框架，為以后情態(tài)動(dòng)詞的知識(shí)發(fā)現(xiàn)研究提供借鑒。

2理論背景

形式概念分析主要用于數(shù)據(jù)分析，發(fā)現(xiàn)對(duì)象及描述對(duì)象的一系列特征之間的內(nèi)在關(guān)系。形式概念分析中，數(shù)據(jù)被分解成概念的抽象表示單元，并對(duì)各單元做出有意義的解釋 [19]。形式概念分析能夠?qū)㈦[性、復(fù)雜的信息抽象為層級(jí)概念，該理論對(duì)信息提取、文本聚類和分類、自然語(yǔ)言處理等領(lǐng)域都有重大意義。如下是形式概念分析的基本概念：

定義 1. U 一個(gè)對(duì)象集合， U = {u1， u2，…， un }，M 是一個(gè)屬性集合， M = {m1， m2，…， mn }， 而且 I ? U×M 是U和M之間的一個(gè)二元關(guān)系，（ u， m ）∈I 表示對(duì)象u 具有屬性m。那么， K= （U， M， I） 就叫作一個(gè)形式背景。.

定義 2. 如果 m ∈ M， g （m） = {u ∈ G | （u， m） ∈ I} 說(shuō)明這個(gè)對(duì)象集合享有屬性m。 如果u ∈ G， f （u） = {m ∈ M | （u， m） ∈ I} 說(shuō)明這個(gè)屬性集合享有對(duì)象u。

定義 3. m0， m1， m2， …， mk ∈ M。如果 g（ mi ） ? g（ m0 ），且i =1， 2， 3， …， k， k≥2，則 m0 叫做m1， m2， …， mk.的共有屬性。

定義 4. 設(shè)K= （U， M， I） 為一形式背景，對(duì)于集合 A ? U， f （A） = {m∈ M | （u， m） ∈ I， " u∈ A}。相應(yīng)的， 對(duì)于一個(gè)集合B ? M， 我們定義 g（B）= {u∈ G | （u， m） ∈ I， "m∈ B}。 一個(gè)形式概念是一個(gè)有序?qū)Γˋ， B）， A ? U， B ? M， f （A） =B 而且 u （B） =A. A叫作概念的外延，而 B叫作概念的內(nèi)涵。

3情態(tài)動(dòng)詞語(yǔ)義排歧中知識(shí)發(fā)現(xiàn)的基本框架

基于前人的貢獻(xiàn)和筆者自己的研究，本文在總結(jié)前期研究成果的基礎(chǔ)上，提出了英語(yǔ)情態(tài)動(dòng)詞語(yǔ)義排歧中知識(shí)發(fā)現(xiàn)的基本框架，該框架適用于所有情態(tài)動(dòng)詞的知識(shí)發(fā)現(xiàn)研究。

4 基本框架描述

情態(tài)動(dòng)詞知識(shí)發(fā)現(xiàn)基本框架可以分為五層：語(yǔ)言學(xué)準(zhǔn)備層，數(shù)據(jù)采集層，數(shù)據(jù)預(yù)處理層，形式概念分析層和知識(shí)發(fā)現(xiàn)層。前四層的實(shí)質(zhì)為情態(tài)動(dòng)詞語(yǔ)義排歧的基本框架，參照[13]，這里不再贅述。本文主要闡述框架第五層，即知識(shí)發(fā)現(xiàn)層。情態(tài)動(dòng)詞語(yǔ)義排歧模型生成后，可以從如下五個(gè)視角來(lái)進(jìn)行知識(shí)發(fā)現(xiàn)研究：模式識(shí)別研究，規(guī)則提取研究，語(yǔ)義與句法互動(dòng)關(guān)系研究，特征選擇優(yōu)化研究和屬性重要度分析研究。本文主要基于筆者之前關(guān)于英語(yǔ)情態(tài)動(dòng)詞的系列研究成果，研究主要圍繞情態(tài)動(dòng)詞must和shall展開(kāi)，文章提到的方法也適用于其他情態(tài)動(dòng)詞或其他詞匯范疇。

4.1 模式識(shí)別

模式識(shí)別是指對(duì)表征事物或現(xiàn)象的各種形式的信息進(jìn)行處理和分析，以對(duì)事物或現(xiàn)象進(jìn)行描述、辨認(rèn)、分類和解釋的過(guò)程。它是信息科學(xué)和人工智能的重要組成部分，主要應(yīng)用領(lǐng)域是圖像分析與處理、語(yǔ)音識(shí)別、通信、計(jì)算機(jī)輔助診斷等學(xué)科。作為一種分類的重要手段，它可用于語(yǔ)義排歧領(lǐng)域。

本節(jié)以must語(yǔ)義排歧模型[18]為例，探討must的語(yǔ)義模式識(shí)別。在圖中，以對(duì)象為起點(diǎn)，逆序向上，形成對(duì)象和屬性的二元組，每個(gè)二元組就是must語(yǔ)義的一種模式，以圖中o1為例，逆序向上，得到屬性組合a17a13a16a8a3a1a6， 因o1：o117（2）， 即o1對(duì)應(yīng)對(duì)象o117（2），屬于must的第二類意義，故得到must的一種語(yǔ)義模式{2， a17a13a16a8a3a1a6}。以此類推，可以推出模型中所有的語(yǔ)義模式，篇幅關(guān)系，這里不一一列舉。

由此，構(gòu)造出目標(biāo)詞語(yǔ)義排歧模型后，語(yǔ)料庫(kù)中目標(biāo)詞各語(yǔ)義義項(xiàng)的語(yǔ)義模式顯而易見(jiàn)。所有這些模式都可以被視為must語(yǔ)義判定的基礎(chǔ)。

4.2 規(guī)則提取

規(guī)則提取是數(shù)據(jù)挖掘中最重要最關(guān)鍵的一步，是解決黑匣子問(wèn)題的主要方法。在黑匣子中，數(shù)據(jù)輸出過(guò)程抽象復(fù)雜、很難解釋，但卻可以用簡(jiǎn)單明了的方式表述出來(lái)，這種轉(zhuǎn)換就是規(guī)則提取。近些年，不同學(xué)科領(lǐng)域出現(xiàn)了多種多樣的規(guī)則提取方法，筆者在文獻(xiàn)[18] 中提出情態(tài)動(dòng)詞語(yǔ)義排歧中的規(guī)則提取方法。

還是以must為例，在must的語(yǔ)義排歧模型（圖2）中，提取must語(yǔ)義排歧規(guī)則，規(guī)則提取流程圖如下：

在屬性偏序圖中，各屬性均做如下運(yùn)算：（以屬性mi為例）1）以mi為起點(diǎn)，逆序向上直至頂點(diǎn)，該過(guò)程屬性組合形成二元組（g， m）中的m，mi對(duì)向下至底層對(duì)象集合構(gòu)成g；2）對(duì)二元組集合進(jìn)行兩兩運(yùn)算。運(yùn)算規(guī)則為外延集合取并集，內(nèi)涵集合取交集。從而形成新的二元組集合。新二元組中成員若與原二元組集合中某成員相等，則刪除新成員，即不生成該新成員；3）若新二元組集合中某成員內(nèi)涵與原二元組集合中某成員內(nèi)涵相同，則刪除原二元組集合中該成員，即保留外延大的二元組；4）若新二元組集合中只有一個(gè)元素，則完成該屬性運(yùn)算，保留下來(lái)的所有二元組即為可能模式的一部分；否則返回第2步。

該過(guò)程將找到所有可能模式。對(duì)比所有可能模式。對(duì)內(nèi)涵部分，若其中幾個(gè)二元組內(nèi)涵相等，則生成新二元組，該新二元組內(nèi)涵不變，外延為幾個(gè)二元組外延并集，同時(shí)刪除原二元組；對(duì)外延部分，若兩二元組外延相同，則內(nèi)涵部分必然為包含關(guān)系，保留內(nèi)涵最大（屬性個(gè)數(shù)最多）的一個(gè)二元組，其余的刪除；保留下來(lái)的二元組即為形式概念，即規(guī)則，提取出的規(guī)則見(jiàn)表1。

由此，4.1中各種復(fù)雜的模式就轉(zhuǎn)化成了表中的四條簡(jiǎn)單明了的規(guī)則。

4.3 特征選擇優(yōu)化

特征選擇，也稱為特征子集選擇或?qū)傩赃x擇，指的是從所有備選特征子集中選擇一個(gè)最優(yōu)的特征子集，以提高分類器性能。在機(jī)器學(xué)習(xí)和模式識(shí)別領(lǐng)域， 特征數(shù)量往往較多，特征個(gè)數(shù)越多，分析特征、訓(xùn)練模型的時(shí)間就越長(zhǎng)；特征個(gè)數(shù)越多，維度也就越多，模型也會(huì)越復(fù)雜，其應(yīng)用推廣能力會(huì)下降。一些解決特征數(shù)量過(guò)多問(wèn)題的技術(shù)應(yīng)運(yùn)而生，旨在減少不相關(guān)特征和冗余特征，減輕分類器的負(fù)擔(dān)，即特征選擇。特征選擇使研究人員易于理解數(shù)據(jù)，能夠減少計(jì)算時(shí)間，避免維度災(zāi)難，提高分類器性能 [20]。

關(guān)于英語(yǔ)情態(tài)動(dòng)詞的特征選擇，繼續(xù)以must為例。在對(duì)其進(jìn)行規(guī)則提取的基礎(chǔ)上，可以進(jìn)一步做特征選擇優(yōu)化研究。表2中提取出的規(guī)則只包含must的6個(gè)屬性：a3， a4， a5， a6， a7和 a8，接下來(lái)我們要驗(yàn)證是否可以用這6個(gè)特征來(lái)生成語(yǔ)義排歧模型進(jìn)行語(yǔ)義排歧，并且達(dá)到原有17個(gè)特征時(shí)相同的效果。刪除了規(guī)則以外的11個(gè)特征，保留了規(guī)則包含的6個(gè)特征，建立形式背景，將此形式背景凈化，轉(zhuǎn)換成屬性結(jié)構(gòu)偏序圖，生成新的語(yǔ)義排歧模型，如圖4所示，同前，此圖亦可作為must的語(yǔ)義分類和判定模型。

為了檢驗(yàn)優(yōu)化后模型的有效性，需先將檢驗(yàn)組的初始形式背景做相同的優(yōu)化處理：刪除多余特征，保留規(guī)則中出現(xiàn)的6個(gè)特征，然后按照初始模型的檢驗(yàn)方法對(duì)新模型進(jìn)行檢驗(yàn)，得到模型準(zhǔn)確率為97.5%，高于初始模型的準(zhǔn)確率94.5%。

初始模型（圖2）和優(yōu)化模型（圖4）對(duì)比可知：優(yōu)化模型只選擇了6個(gè)特征，與初始模型中的17個(gè)特征相比降低了將近200%，然而準(zhǔn)確率卻提高了3%。由此得出結(jié)論：特征子集a3， a4， a5， a6， a7和 a8是must語(yǔ)義排歧中的優(yōu)化特征集，其他特征為冗余特征，它們對(duì)must的語(yǔ)義排歧有貢獻(xiàn)，但如果優(yōu)化特征子集存在，這些特征的存在就沒(méi)有意義。

4.4 語(yǔ)義與句法互動(dòng)

語(yǔ)言不僅是符號(hào)系統(tǒng)，也是價(jià)值系統(tǒng)。語(yǔ)言中各要素不是獨(dú)立存在的，而是交織在一個(gè)隱形的網(wǎng)里。句法和語(yǔ)義在這個(gè)網(wǎng)中相互影響：句法差異會(huì)映射到語(yǔ)義中，語(yǔ)義差異也會(huì)反映在句法上[21]。句法和語(yǔ)義相互依賴，又相互補(bǔ)充。語(yǔ)義、句法的相關(guān)研究應(yīng)該將二者結(jié)合在一起，探究二者之間的互動(dòng)關(guān)系[22]。

筆者在文獻(xiàn)[16]中，僅以must的句法特征為屬性，研究must的句法和不同語(yǔ)義間的互動(dòng)關(guān)系。首先構(gòu)建語(yǔ)義排歧模型，按照4.2中提到的方法對(duì)must進(jìn)行語(yǔ)義規(guī)則提取運(yùn)算，得到如下規(guī)則：

{ 1，a1} { 1，a2a9} { 2，a5} { 2，a6} { 2，a7a8}

這些規(guī)則可以揭示must不同語(yǔ)義和句法特征之間的互動(dòng)關(guān)系，可以看出：在與must共現(xiàn)的9個(gè)句法特征中，只有規(guī)則中出現(xiàn)的某些特征或者特征組合對(duì)must的意義選擇具有決定性。

1）{ 1，a1}

這條規(guī)則表示：所有具有屬性a1（否定）的對(duì)象中must均為根意義。情態(tài)意義must不與否定共現(xiàn)，英語(yǔ)中must否定情態(tài)意義的缺失由cant（= it is not possible that ×）來(lái)彌補(bǔ)。在否定上，must是一個(gè)特例：它不具備情態(tài)意義的否定形式，只有根意義must具備否定形式，其否定形式否定的是述謂結(jié)構(gòu)，含根意義must的否定句可以解釋為：I order you not to × 或者it is necessary for （you） not to ×。

2）{ 1，a2a9}

這條規(guī)則表示：所有同時(shí)具有屬性a2（被動(dòng)）和a9 （無(wú)生命主語(yǔ)）的對(duì)象中must均為根意義。在被動(dòng)語(yǔ)態(tài)中，動(dòng)作的對(duì)象（通常無(wú)生命）為句子的語(yǔ)法主語(yǔ)，動(dòng)作的發(fā)出者不做具體說(shuō)明。然而，說(shuō)話者的目的是試圖影響某個(gè)隱匿的對(duì)象產(chǎn)生行動(dòng)，所以，所有同時(shí)與被動(dòng)和無(wú)生命主語(yǔ)共現(xiàn)的對(duì)象中must均為根意義。具備這兩個(gè)句法特征的句子表達(dá)較弱的義務(wù)性，可以理解為：it is important that ×。

3）{ 2，a5} { 2，a6} { 2，a7a8}

規(guī)則{ 2，a5}：所有具有屬性a5 （完成時(shí)） 的對(duì)象中must均為情態(tài)意義。Must本身沒(méi)有過(guò)去時(shí)，但是情態(tài)意義的must卻可以通過(guò)使用have+ed結(jié)構(gòu)來(lái)表達(dá)過(guò)去的狀態(tài)或活動(dòng)。具有完成時(shí)的must樣本可以理解為： Im sure/I infer that × was ×。情態(tài)意義must也通過(guò)與a6 （進(jìn)行時(shí)） 或 a8 （靜態(tài)動(dòng)詞）共現(xiàn)來(lái)表達(dá)當(dāng)前的狀態(tài)或活動(dòng)。提取出的{ 2，a6} { 2，a7a8}表示：所有具有屬性a6 （進(jìn)行時(shí)）或a8 （靜態(tài)動(dòng)詞，尤其在靜態(tài)動(dòng)詞與存在主語(yǔ)同時(shí)出現(xiàn)時(shí)）的對(duì)象中must均為情態(tài)意義，可以理解為：Im sure/I infer that × is × or Im sure/I infer there is ×。

4.5屬性重要度分析

數(shù)據(jù)處理中，評(píng)價(jià)屬性的重要度是數(shù)據(jù)分析的一個(gè)重要步驟。作為分類和決策的重要理論支持，屬性重要度亦可被應(yīng)用到語(yǔ)義排歧領(lǐng)域。

4.1 ～ 4.4的分析一直以must為例，取must語(yǔ)義的二分法，即根意義和情態(tài)意義。英語(yǔ)情態(tài)動(dòng)詞的多義性往往更復(fù)雜，比如shall， 本小節(jié)屬性重要度分析以shall為例，闡述情態(tài)動(dòng)詞語(yǔ)義排歧中的屬性重要度分析。根據(jù)框架圖完成shall的語(yǔ)義排歧模型，參見(jiàn)文獻(xiàn)[15]，運(yùn)用五倍交叉驗(yàn)證，模型準(zhǔn)確率為95.5%±2.27%。模型有效，在此進(jìn)行屬性重要度分析。

屬性重要度分析的一個(gè)重要參數(shù)是分類精度，分類精度指信息系統(tǒng)分類過(guò)程中，用屬性子集P分類出的正確對(duì)象與總對(duì)象的比值，分類精度是評(píng)價(jià)特征子集P的屬性重要度的關(guān)鍵指數(shù)[23]。本文用從形式背景中刪除某屬性的方法來(lái)計(jì)算該屬性的分類精度，刪除后，對(duì)象和其他屬性形成新的形式背景，并生成新的屬性偏序圖，然后檢測(cè)該圖中的分類錯(cuò)誤。錯(cuò)誤越多，說(shuō)明模型的分類效果越差，也就表明被刪除屬性的分類精度越高，即：該算法中的錯(cuò)誤率與分類精度、屬性重要度正相關(guān)，錯(cuò)誤率越高，被刪除屬性的分類精度越高，該屬性越重要。結(jié)果如表2所示。其中，a1 和a2均表示MI（s+INTshall），實(shí)驗(yàn)中將其歸為一組，其他組互信息值同理。

表2中的最后一列和圖3均可顯示實(shí)驗(yàn)中刪除某個(gè)特征后的總錯(cuò)誤率，可視為shall語(yǔ)義排歧中反映屬性重要度的參數(shù)。如圖所示，無(wú)生命主語(yǔ)（a18）錯(cuò)誤率最高，即在shall語(yǔ)義排歧中，無(wú)生命主語(yǔ)特征在屬性重要度中位居第一，是shall當(dāng)前形勢(shì)背景中最重要的屬性；位居無(wú)生命主語(yǔ)特征之后的是疑問(wèn)句（a21）、MI （INTshall， v） （a9a10）， MI （PREshall， v） （a15a16） 以及 MI （s， PREshall） （a7a8），這些特征為相對(duì)重要屬性；其它特征為不相關(guān)屬性（僅限于個(gè)體，不限于整體）。

5 總結(jié)

該文以形式觀念分析理論為支撐，以屬性結(jié)構(gòu)偏序圖為工具，探討英語(yǔ)情態(tài)動(dòng)詞語(yǔ)義排歧中的知識(shí)發(fā)現(xiàn)，提出進(jìn)行英語(yǔ)情態(tài)動(dòng)詞的知識(shí)發(fā)現(xiàn)分的五個(gè)層次和五個(gè)視角。五個(gè)層次為：語(yǔ)言學(xué)準(zhǔn)備層，數(shù)據(jù)采集層，數(shù)據(jù)預(yù)處理層，形式概念分析層和知識(shí)發(fā)現(xiàn)層；五個(gè)視角為：語(yǔ)義模式識(shí)別，語(yǔ)義規(guī)則提取，特征選擇優(yōu)化，句法與語(yǔ)義互動(dòng)關(guān)系，屬性重要度分析。該文提出的情態(tài)動(dòng)詞語(yǔ)義排歧中知識(shí)發(fā)現(xiàn)框架，既可以其他復(fù)雜語(yǔ)義詞的知識(shí)發(fā)現(xiàn)，也可以應(yīng)用到機(jī)器翻譯和其他自然語(yǔ)言處理領(lǐng)域。

參考文獻(xiàn)：

[1] Fayyad U，Piatetsky-shapiro G，Smyth P. The KDD process for extracting useful knowledge from volumes of data[J].Comunications of the ACM，1996，39（11）：27-34.

[2] Mishra N，Ling C，Chang H T. A cognitive adopted framework for IoT big-data management and knowledge discovery prospective[J]. International Journal of Distributed Sensor Networks，2015：6.

[3] 趙瑞雪，鮮國(guó)建，寇遠(yuǎn)濤，等. 大數(shù)據(jù)環(huán)境下的農(nóng)業(yè)知識(shí)發(fā)現(xiàn)服務(wù)探索[J]. 數(shù)字圖書(shū)館論壇，2016（9）：28-33.

[4] Holzinger A，Zupan M. Knodwat. KNODWAT：a scientificframework application for testing knowledge discovery methods for the biomedical domain[J]. BMC Bioinformatics，2013，14（1）：191.

[5] Zhang C，He L，Mao Y，et al. Knowledge discovery ofnetwork public opinion in the concept of smart city[C]//Industrial Electronics and Applications（ICIEA），2015 IEEE 10th Conference on. IEEE，2015：1197-1202.

[6] 鄒純龍，馬海群. 基于神經(jīng)網(wǎng)絡(luò)的政府開(kāi)放數(shù)據(jù)網(wǎng)站評(píng)價(jià)研究———以美國(guó) 20 個(gè)政府開(kāi)放數(shù)據(jù)網(wǎng)站為例[J]. 現(xiàn)代情報(bào)，2016，36（9）：16 -21.

[7] 于建平，魏雪姣，耿延宏等，基于偏序結(jié)構(gòu)理論的情態(tài)與時(shí)、體、態(tài)互動(dòng)關(guān)系知識(shí)發(fā)現(xiàn)研究[J].燕山大學(xué)學(xué)報(bào)，2016，40（06）：508-516.

[8] Yu Jianping，Huang Liang，F(xiàn)u Jilin，et al. A comparative study of word sense disambiguation of English modal verb by BP neural network and support vector machine [J]. International Journal of Innovative Computing， Information and Control， 2011， 7 （5 ） ：2345-2355.

[9] Yu Jianping，F(xiàn)u Jilin，Duan Jianli.Syntactic feature based word sense disambiguation of English modal verbs by Na ve Bayesian model [J]. ICIC Express Letter，2010，4 （5B） ： 1817-22.

[10] Yu Jianping，Huang Liang，Mei Deming，et al. Determination of the senses of English modal verb will by fuzzy c-means cluster[J]. ICIC Express Letters， Part B： Applications，2011，2 （ 1） ：177-182.

[11] Yu Jianping，Zhao Sha，Mei Deming，et al.Sense inference of English modal verb must by adaptive network-based fuzzy inference system [J]. ICIC Express Letter，2011，5（8A） ： 2409-2414.

[12] Yu Jianping，Hong Wenxue，Li Shaoxiong，et al.A new approach of word sense disambiguation and knowledge discovery of English modal verbs by formal concept analysis[J]. International Journal Innovative Computing，Information and Control，2013，9 （3） ：1189-1200.

[13] Yu Jianping， Li Hongbo， Hong Wenxue. A framework for word sense disambiguation of English modal verbs by formal concept analyasis[J]. ICIC Express Letter， 2017， 11（2）.

[14] Li Hongbo，Yu Jianping， Hong Wenxue . Rule extraction for word sense disambiguation of English modal verb must[J]. ICIC Express Letters， 2013， 7（ 3A）： 877-882，.

[15] Li Hong-bo， Yu Jian-ping. Pattern Recognition of Contextual Features for English Modal Verb shall in Word SenseDisambiguation，International Conference On Information Technology And Management Engineering （ITME 2014）， 2014： 512-516 .

[16] Li Hongbo，Yu Jianping. Knowledge representation and discovery for the interaction between syntax and semantics： A case study of must， PIC 2014 - Proceedings of 2014 IEEE International Conference on Progress in Informatics and Computing， 2014， 12（2） ：153-157.

[17] Li Hongbo， Yu Jianping. Attribute significance analysis of English modal verb shall in word sense disambiguation[J]. ICIC Express Letters， Part B： Applications， 2015， 6（ 5）： 1287-1294.

[18] Li Hongbo， Yu Jianping， Hong Wenxue. A rule-extraction based optimization method for feature selection in word sense disambiguation[J]. ICIC Express Letter， 2016， 10（6）： 1325-1333.

[19] Ganter B， Wille R. Formal Concept Analysis[M]. Berlin： Spring-Verlag， 1999.

[20] Chandrashekar G， Sahin F. A survey on feature selection method[J]. Computers and Electrical Engineering， 2014， 40（ 1）： 16-28.

[21] Saussure F. Course of General Linguistics. Transl. M. Gao. Bei Jing： Commercial Press， 1996： 37-167.

[22] Zhang S. On the interation of syntax and semantics： from the perspective of metaphor and metonomy[J]. Foreigh Language Research， 2012， 135（ 5）.

[23] Pawlak Z. Rough Set – Theoretical Aspects of Reasoning about Data[M]. Kluwer Academic Pub， 1991.

【通聯(lián)編輯：光文玲】