楊 泉

(北京師范大學(xué)，北京 100875)

0 引 言

語(yǔ)義相似度是對(duì)給定的語(yǔ)言對(duì)象間語(yǔ)義相似程度的衡量，通常用[0,1]之間的數(shù)值來(lái)表示。語(yǔ)義相似度計(jì)算就是計(jì)算語(yǔ)義相似度具體數(shù)值的過(guò)程。語(yǔ)義相似度計(jì)算對(duì)象的層級(jí)可分為詞、短語(yǔ)、句子、篇章，該文主要研究詞層級(jí)上兩個(gè)詞之間的語(yǔ)義相似度計(jì)算問(wèn)題。

語(yǔ)義相似度計(jì)算目前在機(jī)器翻譯、人機(jī)問(wèn)答、情感計(jì)算、信息提取等很多領(lǐng)域中都有著廣泛的應(yīng)用[1]。語(yǔ)義相似度計(jì)算方法主要分為兩類：一類是在大規(guī)模語(yǔ)料的基礎(chǔ)上直接統(tǒng)計(jì)和計(jì)算的方法；另一類是根據(jù)某種已有知識(shí)本體(ontology)或分類體系(taxonomy)來(lái)計(jì)算的方法[2-3]?；谡Z(yǔ)料庫(kù)的方法對(duì)語(yǔ)料的依賴性較大，需要在大規(guī)模精確標(biāo)注語(yǔ)料的基礎(chǔ)上進(jìn)行，但語(yǔ)料的規(guī)模、內(nèi)容、范圍以及標(biāo)注的標(biāo)準(zhǔn)和規(guī)范難以統(tǒng)一，而且可解釋性較差；而基于知識(shí)本體或分類體系的方法在這些方面就顯示出了其優(yōu)越性，越來(lái)越多的專家學(xué)者都進(jìn)行了有效的嘗試。

用于語(yǔ)義相似度計(jì)算的漢語(yǔ)知識(shí)本體目前主要有《知網(wǎng)》[4]和《同義詞詞林》[5]。前人研究中有很多利用《知網(wǎng)》的樹(shù)狀結(jié)構(gòu)或概念義原來(lái)進(jìn)行語(yǔ)義相似度計(jì)算，如文獻(xiàn)[6]介紹了一種基于《知網(wǎng)》樹(shù)狀結(jié)構(gòu)的語(yǔ)義相似度計(jì)算方法；文獻(xiàn)[7]在綜合考慮《知網(wǎng)》義原距離、義原深度、義原寬度、義原密度和義原重合度的基礎(chǔ)上，利用多特征結(jié)合的方法計(jì)算詞語(yǔ)相似度；文獻(xiàn)[8]基于對(duì)《知網(wǎng)》中詞語(yǔ)、義項(xiàng)和義原三個(gè)層次概念的研究，針對(duì)詞語(yǔ)相似度計(jì)算中結(jié)果合理性的問(wèn)題，提出了一種結(jié)合信息論研究中熵的概念的新的詞語(yǔ)相似度計(jì)算方法。但是與《知網(wǎng)》相比較而言，《同義詞詞林》內(nèi)部結(jié)構(gòu)比較清楚，可以較為容易地轉(zhuǎn)化成樹(shù)形圖來(lái)計(jì)算詞語(yǔ)的深度和路徑，國(guó)內(nèi)也有很多研究人員利用《同義詞詞林》計(jì)算詞語(yǔ)之間的語(yǔ)義相似度，文獻(xiàn)[6,9]利用《詞林》的編碼及結(jié)構(gòu)特點(diǎn)，結(jié)合詞語(yǔ)的相似性和相關(guān)性，計(jì)算語(yǔ)義相似度。文獻(xiàn)[10]提出了一種綜合《知網(wǎng)》與《同義詞詞林》的計(jì)算方法?！对~林》部分采用以詞語(yǔ)距離為主要因素、分支節(jié)點(diǎn)數(shù)和分支間隔數(shù)為微調(diào)節(jié)參數(shù)的方法計(jì)算語(yǔ)義相似度。文獻(xiàn)[11]根據(jù)《詞林》提出了一種基于路徑與深度的算法。該方法通過(guò)兩個(gè)詞語(yǔ)義項(xiàng)之間的最短路徑以及它們的最近公共父節(jié)點(diǎn)在層次樹(shù)中的深度計(jì)算出兩個(gè)詞語(yǔ)義項(xiàng)之間的相似度。在計(jì)算過(guò)程中為分類樹(shù)中不同層之間的邊賦予不同的權(quán)值，同時(shí)通過(guò)兩個(gè)義項(xiàng)在其最近公共父節(jié)點(diǎn)中的分支間距動(dòng)態(tài)調(diào)節(jié)詞語(yǔ)義項(xiàng)間的最短路徑。文獻(xiàn)[12]提出了一種基于路徑與《同義詞詞林》編碼相結(jié)合的語(yǔ)義相似度計(jì)算方法。該方法認(rèn)為《詞林》編碼體系是按從左到右依次遞增的關(guān)系排列分支，距離越近的概念分支間隔越小，編碼距離也越近，由此根據(jù)每個(gè)分類節(jié)點(diǎn)下面的分支節(jié)點(diǎn)順序及編碼規(guī)律設(shè)計(jì)了計(jì)算模型。

以上這些模型都是根據(jù)經(jīng)驗(yàn)建立語(yǔ)義相似度的函數(shù)表達(dá)式，主要從兩個(gè)方面提高計(jì)算語(yǔ)義相似度的準(zhǔn)確性：一是如何使用知識(shí)本體中的知識(shí)并進(jìn)行量化；二是如何選擇更合適的函數(shù)表達(dá)式。由于《同義詞詞林》的內(nèi)部結(jié)構(gòu)清晰簡(jiǎn)潔，使用深度、距離和節(jié)點(diǎn)分支數(shù)作為基礎(chǔ)知識(shí)進(jìn)行相似度計(jì)算已經(jīng)成為共識(shí)。因此如何突破已有經(jīng)驗(yàn)的局限性，尋找并建立更加合理的相似度函數(shù)表達(dá)式是進(jìn)一步完善基于《同義詞詞林》的語(yǔ)義相似度計(jì)算方法的主要途徑。

1 《同義詞詞林》簡(jiǎn)介

《同義詞詞林》是梅家駒等人1983年編撰的可計(jì)算漢語(yǔ)詞庫(kù)，后經(jīng)哈工大信息檢索研究室擴(kuò)展編輯為《哈工大信息檢索研究室同義詞詞林?jǐn)U展版》(下文簡(jiǎn)稱《詞林》)。經(jīng)統(tǒng)計(jì)《詞林》共有77 456條詞語(yǔ)，分為12個(gè)大類；95個(gè)中類；1 428個(gè)小類；4 026個(gè)詞群和17 817個(gè)原子詞群。前面四個(gè)層級(jí)的節(jié)點(diǎn)都代表詞語(yǔ)的類別，第五層葉子節(jié)點(diǎn)上是原子詞群，每個(gè)原子詞群可用一個(gè)8位編碼唯一表示。表1展示了《詞林》中的義項(xiàng)編碼。

表1 《詞林》義項(xiàng)編碼

第八位編碼只有三種情況：其中“=”代表“相等、同義”關(guān)系；“#”代表“不等、同類”關(guān)系；“@”代表“唯一、獨(dú)立”關(guān)系。前七位編碼確定后就可以唯一確定一條編碼，不存在前七位編碼相同而第八位不同的情況。

在大類中A、B、C類多為名詞，D類多為數(shù)詞和量詞，E類多為形容詞，F(xiàn)、G、H、I、J類多為動(dòng)詞，K類多為虛詞，L類是難以被分到上述類別中的一些詞語(yǔ)，各大類編碼具體含義如表2所示。

表2 《詞林》大類編碼含義

《詞林》結(jié)構(gòu)安排中大類和中類的排序遵照從具體到抽象的原則[5]，每個(gè)大類都可以轉(zhuǎn)化為一個(gè)樹(shù)形結(jié)構(gòu)圖，比如E大類下面分為6個(gè)中類，從“外形”到“境況”，詳見(jiàn)圖1。

圖1 《詞林》E大類語(yǔ)義場(chǎng)

通過(guò)上文對(duì)《詞林》整體架構(gòu)的分析，其義項(xiàng)編碼可以直接映射為一個(gè)樹(shù)形結(jié)構(gòu)圖，所有的詞語(yǔ)都可以對(duì)應(yīng)到葉子節(jié)點(diǎn)的詞群里。實(shí)際上這個(gè)樹(shù)形結(jié)構(gòu)圖就是使用的知識(shí)本體，而每個(gè)知識(shí)本體反映的都是作者對(duì)于世界知識(shí)的認(rèn)識(shí)，語(yǔ)義相似性是世界知識(shí)很重要的一個(gè)組成部分，作者在編著《同義詞詞林》時(shí)就已經(jīng)融入了語(yǔ)義相似信息，只是沒(méi)有把這種相似性信息數(shù)量化、數(shù)值化。因此基于《詞林》的兩個(gè)詞語(yǔ)之間的語(yǔ)義相似度計(jì)算，實(shí)際上就是解析蘊(yùn)含于知識(shí)本體中的語(yǔ)義相似信息，將其形式化后轉(zhuǎn)化為可計(jì)算的函數(shù)表達(dá)式，最終計(jì)算出量化的數(shù)值。

2 基于遺傳算法的語(yǔ)義相似度計(jì)算模型

表1說(shuō)明《詞林》中共有五個(gè)層級(jí)，為便于計(jì)算，該文在第一層級(jí)上面再引入一個(gè)虛擬層級(jí)，稱為第0層，對(duì)應(yīng)樹(shù)形結(jié)構(gòu)圖中的根節(jié)點(diǎn)，記為R。在此情況下《詞林》共有六層節(jié)點(diǎn)、五層邊，所有詞語(yǔ)都落在樹(shù)形結(jié)構(gòu)圖最底層的葉子節(jié)點(diǎn)上，所有葉子節(jié)點(diǎn)都是一個(gè)原子詞群。在該樹(shù)形結(jié)構(gòu)中將兩個(gè)節(jié)點(diǎn)之間最小的邊數(shù)稱為兩個(gè)節(jié)點(diǎn)之間的路徑長(zhǎng)度或距離。將各非根節(jié)點(diǎn)到根節(jié)點(diǎn)R的距離稱為該節(jié)點(diǎn)的深度。

計(jì)算語(yǔ)義編碼分別對(duì)應(yīng)不同的葉子節(jié)點(diǎn)的詞語(yǔ)s1與s2的語(yǔ)義相似度S，根據(jù)《詞林》編碼規(guī)則，這兩個(gè)詞語(yǔ)在其最近公共父節(jié)點(diǎn)處分離，分屬不同類別。將其公共父節(jié)點(diǎn)記為F，將F的深度記為D。從《詞林》體系中可以直觀地看出，F(xiàn)在《詞林》體系中所處層級(jí)越高，則D的取值越小，此時(shí)s1與s2分離得越早，相似度就低；相反F在《詞林》中所處層級(jí)越低，D的取值越大，則s1和s2分開(kāi)得越晚，其相似度就高。因此D的取值與S成正比關(guān)系；而F的位置與S成反比關(guān)系。這從語(yǔ)言學(xué)角度也很容易理解，當(dāng)兩個(gè)詞語(yǔ)所處的分支層的公共父節(jié)點(diǎn)越低，說(shuō)明這兩個(gè)詞語(yǔ)所在的類別距離越近，兩個(gè)詞語(yǔ)的語(yǔ)義相似程度就越高；相反當(dāng)兩個(gè)詞語(yǔ)所處的分支層的公共父節(jié)點(diǎn)越高，說(shuō)明這兩個(gè)詞語(yǔ)所在的類別距離越遠(yuǎn)，兩個(gè)詞語(yǔ)的語(yǔ)義相似程度就越低。上述分析表明在《詞林》所表示的知識(shí)本體中，兩個(gè)詞語(yǔ)s1與s2的最近公共父節(jié)點(diǎn)的深度對(duì)其相似度起決定性作用。例如“我們”的語(yǔ)義編碼為“Aa02B01=”，“你”的語(yǔ)義編碼為“Aa03A01=”，“消毒劑”的語(yǔ)義編碼為“Br13D04#”。“我們”與“你”的語(yǔ)義類別在同一個(gè)大類A中，而“我們”與“消毒劑”的語(yǔ)義類別分別在A和B兩個(gè)大類中，因此前兩者的語(yǔ)義相似度一定高于后兩者。

在樹(shù)形結(jié)構(gòu)中還常用兩個(gè)節(jié)點(diǎn)間的路徑長(zhǎng)度H來(lái)表示兩個(gè)節(jié)點(diǎn)之間的關(guān)系。任意兩個(gè)葉子節(jié)點(diǎn)之間的路徑長(zhǎng)度H就是它們到其最近公共父節(jié)點(diǎn)路徑長(zhǎng)度之和，根據(jù)《詞林》中樹(shù)形結(jié)構(gòu)的特點(diǎn)：所有葉子節(jié)點(diǎn)到根節(jié)點(diǎn)R的路徑長(zhǎng)度相同，在此記為常數(shù)C；葉子節(jié)點(diǎn)到其公共父節(jié)點(diǎn)的路徑長(zhǎng)度也相同。而葉子節(jié)點(diǎn)到根節(jié)點(diǎn)的路徑長(zhǎng)度等于葉子節(jié)點(diǎn)到其任意父節(jié)點(diǎn)的路徑長(zhǎng)度與該父節(jié)點(diǎn)到根節(jié)點(diǎn)路徑長(zhǎng)度之和。由此可以得出路徑長(zhǎng)度與深度之間的關(guān)系式：

(1)

該結(jié)論說(shuō)明路徑長(zhǎng)度和深度是兩個(gè)能夠相互表示的量，該文在計(jì)算相似度時(shí)選擇將深度作為主要因素。文獻(xiàn)[2]在總結(jié)基于WordNet的英語(yǔ)語(yǔ)義相似度計(jì)算方法中有一類使用路徑和深度的計(jì)算方法，但由于WordNet與《詞林》的組織架構(gòu)不同，在WordNet中不同的詞語(yǔ)可能具有不同的深度，這種葉子節(jié)點(diǎn)深度不均勻，義項(xiàng)遍布所有節(jié)點(diǎn)的組織方式與《詞林》是截然不同的。

在《詞林》體系中，詞語(yǔ)按照類別逐級(jí)細(xì)分，在同一個(gè)類別中的排序遵照從具體到抽象的原則進(jìn)行排列(如圖1所示)。這說(shuō)明在同一個(gè)類別層級(jí)中，意思接近的兩個(gè)分類其排列的位置也會(huì)接近，對(duì)應(yīng)到樹(shù)形結(jié)構(gòu)中，就是在同一個(gè)節(jié)點(diǎn)上排列的分支中，離得越近的分支其代表的意思也越接近。因此詞語(yǔ)s1與s2的語(yǔ)義相似度除由其最近公共父節(jié)點(diǎn)的深度決定外，也會(huì)受到該父節(jié)點(diǎn)處兩個(gè)葉子節(jié)點(diǎn)所在分支的位置關(guān)系以及最小公共父節(jié)點(diǎn)處分支總數(shù)的影響。將最近公共父節(jié)點(diǎn)所含分支總數(shù)記為N，將s1與s2所在分支的間隔數(shù)記為K。在《詞林》框架體系下，對(duì)s1與s2兩個(gè)待計(jì)算相似度的詞語(yǔ)，根據(jù)前面分析和相關(guān)文獻(xiàn)中的研究結(jié)果，整合為如下相似度關(guān)鍵信息x：

x=D+K/N

(2)

其中，D為最近公共父節(jié)點(diǎn)深度；N為最近公共父節(jié)點(diǎn)處分支總數(shù)；K為詞語(yǔ)所在分支間隔數(shù)。則s1與s2之間的語(yǔ)義相似度y可以表示為關(guān)鍵信息x的函數(shù)：

y=F(x)

(3)

目前所有基于《詞林》的語(yǔ)義相似度計(jì)算模型都屬于這個(gè)框架，只不過(guò)不同模型使用了不同的函數(shù)。如果把一些計(jì)算語(yǔ)義相似度的函數(shù)放在一起，然后再制定一個(gè)評(píng)價(jià)這些相似度計(jì)算函數(shù)的規(guī)則來(lái)評(píng)價(jià)，則這些函數(shù)就可以看成是一個(gè)具有不同競(jìng)爭(zhēng)優(yōu)勢(shì)的種群。借鑒遺傳算法的思想，對(duì)由相似度函數(shù)構(gòu)成種群進(jìn)行生物進(jìn)化方面的選擇、交叉和變異等操作來(lái)使種群進(jìn)行不斷繁衍，從而得到新的種群即新的相似度計(jì)算函數(shù)。根據(jù)自然選擇優(yōu)勝劣汰的規(guī)律，有理由相信能夠找到比單純通過(guò)經(jīng)驗(yàn)建立的更好的相似度計(jì)算函數(shù)。為實(shí)現(xiàn)這個(gè)目標(biāo)，執(zhí)行以下操作：

(1)函數(shù)編碼。

首先需要將函數(shù)映射為便于使用遺傳算法的表示形式。該文將函數(shù)用樹(shù)的形式進(jìn)行編碼，目的是把函數(shù)轉(zhuǎn)化為利于計(jì)算機(jī)操作的形式。這種方法將函數(shù)中包含的四則運(yùn)算、復(fù)合運(yùn)算作為樹(shù)的中間節(jié)點(diǎn)，將自變量x作為樹(shù)的葉子節(jié)點(diǎn)。例如對(duì)于具有如下形式的相似度計(jì)算函數(shù)：

y=F(x)=w1x2+w2R+w3ex+w4sinx

本文的驗(yàn)證問(wèn)題可描述為：給定系統(tǒng)狀態(tài)轉(zhuǎn)換模型TS，系統(tǒng)安全屬性φsafe以及系統(tǒng)運(yùn)行時(shí)的觀測(cè)序列o1,…,ot，目標(biāo)是 (1)計(jì)算在t時(shí)刻系統(tǒng)滿足安全屬性的概率Prt(TS φsafe|o1,…,ot;TS)，(2)當(dāng)系統(tǒng)違背安全屬性時(shí)，求解系統(tǒng)最大可能的執(zhí)行路徑作為系統(tǒng)違背安全屬性的反例.針對(duì)該問(wèn)題，圖1給出了本文驗(yàn)證方法的框架.

(4)

其中，w1,w2,R,w3,w4為常數(shù)，則可以表示為圖2所示的樹(shù)狀結(jié)構(gòu)。

圖2 函數(shù)編碼的樹(shù)狀結(jié)構(gòu)

根據(jù)這種思想，語(yǔ)義相似度計(jì)算函數(shù)的自變量就是上面的《詞林》信息x，將基本初等函數(shù)作為基本的函數(shù)集F={x,sinx,lnx,ex,arcsinx}，取四則運(yùn)算為運(yùn)算集H={+,-,×,÷}。在生成函數(shù)種群時(shí)，只需從不同集合中選取元素填入相應(yīng)節(jié)點(diǎn)，就可以生成不同的函數(shù)，反復(fù)操作2M次即可生成一個(gè)含有2M個(gè)函數(shù)的初始種群。

(2)適應(yīng)度函數(shù)。

(5)

顯然R(F)越小，相似度函數(shù)F的計(jì)算結(jié)果與標(biāo)準(zhǔn)結(jié)果就越接近，該個(gè)體在種群中就越優(yōu)秀，具有更強(qiáng)的競(jìng)爭(zhēng)力。

(3)選擇。

要完成種群的更新需要從父代群體中選取部分個(gè)體，以便生存和繁衍產(chǎn)生下一代群體，這種操作稱為選擇。該文采取優(yōu)者勝出的選擇方法，將當(dāng)前種群中的2M個(gè)函數(shù)按照適應(yīng)度R(F)從小到大進(jìn)行排序，然后將適應(yīng)度最好的M個(gè)函數(shù)保留，將較差的M個(gè)函數(shù)淘汰，以保留下來(lái)的M個(gè)函數(shù)為基礎(chǔ)進(jìn)行下面的操作形成下一代種群。

在遺傳算法中交叉是利用父代個(gè)體形成子代個(gè)體的過(guò)程，該文研究的個(gè)體是函數(shù)，在將函數(shù)編碼后，隨機(jī)設(shè)置交叉點(diǎn)，然后在交叉點(diǎn)處進(jìn)行斷開(kāi)和重組，完成基因交換，生成新的個(gè)體。具體過(guò)程如圖3所示，左邊為選擇的兩個(gè)個(gè)體，圖中方框處為選擇作為斷點(diǎn)的節(jié)點(diǎn)位置，然后分別交換和重組后，得到右側(cè)兩個(gè)新生成的個(gè)體。

圖3 交叉生成新的個(gè)體

(5)變異。

遺傳算法中的變異，是指將個(gè)體編碼串中的某些基因用其他等位基因來(lái)替換，從而形成新個(gè)體的過(guò)程。例如圖4中，左側(cè)為選中的變異個(gè)體，其中方框處為選擇的變異位置，右側(cè)為該位置變異后生成的新個(gè)體。

圖4 變異生成新的個(gè)體

以上過(guò)程描述了一種基于遺傳算法的相似度函數(shù)構(gòu)建模型，該方法使用遺傳算法的思想，隨機(jī)生成一系列函數(shù)個(gè)體組成初始的“種群”，然后根據(jù)適應(yīng)度函數(shù)來(lái)評(píng)價(jià)個(gè)體的適應(yīng)度。若當(dāng)前種群中的函數(shù)所計(jì)算的語(yǔ)義相似度都不能滿足要求，則模擬生物進(jìn)化中的基因變異、復(fù)制、刪除等行為，繁衍生成新一代種群，經(jīng)過(guò)不斷迭代，尋找更好的語(yǔ)義相似度計(jì)算函數(shù)。下面根據(jù)遺傳算法的思想為《詞林》建立語(yǔ)義相似度計(jì)算模型，具體算法描述如下：

第1步：給定m組詞語(yǔ)的《詞林》信息{x1,x2,…,xm}和標(biāo)準(zhǔn)相似度結(jié)果{y1,y2,…,ym}，基本函數(shù)集F={x,sinx,lnx,ex,arcsinx}，運(yùn)算符號(hào)集H={+,-,×,÷}，最大進(jìn)化代數(shù)T。

第2步：隨機(jī)生成包含2M個(gè)計(jì)算語(yǔ)義相似度的函數(shù)初始種群：{F1,F2,…,F2M}。

第3步：當(dāng)進(jìn)化代數(shù)小于最大進(jìn)化代數(shù)時(shí)，生成新的計(jì)算語(yǔ)義相似度函數(shù)種群，完成種群繁衍迭代。具體方法如下：

①選擇：計(jì)算種群內(nèi)全部語(yǔ)義相似度函數(shù)個(gè)體{F1,F2,…,F2M}的適應(yīng)度，保留M個(gè)適應(yīng)度最好的語(yǔ)義相似度函數(shù)個(gè)體；

②交叉：隨機(jī)選擇兩個(gè)語(yǔ)義相似度函數(shù)，通過(guò)交叉生成新的函數(shù)，重復(fù)四分之三M次，生成復(fù)四分之三M個(gè)新的語(yǔ)義相似度函數(shù)；

③變異：隨機(jī)選取四分之一M個(gè)語(yǔ)義相似度函數(shù)，然后隨機(jī)選取節(jié)點(diǎn)進(jìn)行變異，生成四分之一M個(gè)新的語(yǔ)義相似度函數(shù)；

第4步：回到第3步繼續(xù)進(jìn)化，直到達(dá)到最大進(jìn)化代數(shù)；

第5步：計(jì)算最終得到的種群中M個(gè)語(yǔ)義相似度函數(shù)的適應(yīng)度，并將最優(yōu)個(gè)體作為最終相似度計(jì)算函數(shù)。

該方法中采取了優(yōu)者勝出的選擇方法，每一代中的最優(yōu)個(gè)體會(huì)保留到下一代中，隨著種群的繁衍，該方法會(huì)得到越來(lái)越優(yōu)秀的個(gè)體，即越來(lái)越好的相似度計(jì)算函數(shù)。如果達(dá)到最大繁衍代數(shù)后，得到的相似度計(jì)算函數(shù)還不夠理想，可以適當(dāng)增加種群大小，即增加迭代次數(shù)，甚至反復(fù)執(zhí)行該方法，直到得到滿意的相似度計(jì)算函數(shù)為止。

3 實(shí)驗(yàn)及結(jié)果分析

目前國(guó)際上對(duì)語(yǔ)義相似度算法的評(píng)價(jià)標(biāo)準(zhǔn)普遍采用Miller & Charles發(fā)布的30組英語(yǔ)詞對(duì)集(簡(jiǎn)稱MC30)的人工判定值作為比較或?qū)W習(xí)的標(biāo)準(zhǔn)[14-15]。該文首先根據(jù)《詞林》提供的關(guān)于這30組詞對(duì)的信息計(jì)算其相應(yīng)的詞對(duì)信息值x；然后使用遺傳算法模型尋找關(guān)于x的相似度函數(shù)表達(dá)式；最后，使用新找到的模型重新計(jì)算詞對(duì)相似度并與標(biāo)準(zhǔn)結(jié)果和相關(guān)結(jié)果進(jìn)行對(duì)比。在試驗(yàn)中設(shè)定函數(shù)構(gòu)成分量的長(zhǎng)度為3；此時(shí)函數(shù)關(guān)系式可表示為：

F(x)=w1f1(x)+w2f2(x)+w3f3(x)

(6)

初始種群的數(shù)量為50，在遺傳算法開(kāi)始時(shí)隨機(jī)產(chǎn)生50個(gè)函數(shù){Fi(x),I=1,2,…,50}；此后每代種群的最大數(shù)量為100，即有100個(gè)候選函數(shù)；種群的最大進(jìn)化代數(shù)為1 000代。若達(dá)到最大進(jìn)化代數(shù)，則選取最后一代中最優(yōu)的函數(shù)作為相似度計(jì)算模型。經(jīng)過(guò)運(yùn)行模型算法，最終選定的函數(shù)模型為：

(7)

利用式(7)計(jì)算得到的語(yǔ)義相似度結(jié)果如表3所示。

表3 語(yǔ)義相似度計(jì)算結(jié)果

續(xù)表3

遺傳算法模型對(duì)MC30語(yǔ)義相似度的具體計(jì)算結(jié)果如表3所示，該文計(jì)算結(jié)果與皮爾遜相關(guān)系數(shù)為r=0.864 5。在實(shí)際應(yīng)用中一般認(rèn)為：當(dāng)r≥0.8時(shí)，兩個(gè)變量間高度相關(guān)；當(dāng)0.5≤r<0.8時(shí)，兩個(gè)變量中度相關(guān)。以上結(jié)果說(shuō)明，該文提出的語(yǔ)義相似度計(jì)算模型能夠表達(dá)《詞林》中包含的詞語(yǔ)相似度關(guān)系，與人工值有較強(qiáng)的相關(guān)性。從表3中的相似度計(jì)算值中可以看出，仍然存在該文計(jì)算結(jié)果與MC30的人工判定值有較大差異的詞對(duì)，比如第10個(gè)詞對(duì)“食物(Br03A01=)”與“水果(Bh07A01=)”；第14個(gè)詞對(duì)“兄弟(Aa02A07=)”與“和尚(Am01B04=)”。其差異的深層次主要原因是《詞林》中對(duì)該詞對(duì)的相似度判斷標(biāo)準(zhǔn)與MC30的判斷標(biāo)準(zhǔn)在語(yǔ)言學(xué)認(rèn)識(shí)上的差異。這種差異既有不同判定者主觀因素，也有不同語(yǔ)言之間在翻譯時(shí)所帶來(lái)的差異。

4 結(jié)束語(yǔ)

該文所提出的語(yǔ)義相似度計(jì)算方法是在《詞林》體系中詞語(yǔ)的深度、路徑和分支節(jié)點(diǎn)信息基礎(chǔ)上進(jìn)行的，充分利用了人工智能遺傳算法強(qiáng)大的搜索能力，所得相似度計(jì)算模型更為準(zhǔn)確合理。在此研究過(guò)程中發(fā)現(xiàn)，已有的模型中有一些詞語(yǔ)無(wú)論使用哪種方法，其計(jì)算結(jié)果均不理想，這種情況一般既有知識(shí)本體中義項(xiàng)定義或者詞語(yǔ)分類不合理的原因，也有相似度計(jì)算模型不夠完善的原因。為了克服前人研究中的不足，在知識(shí)方面充分利用《詞林》已有的詞語(yǔ)信息；在算法方面利用遺傳算法從更大更廣的函數(shù)空間中尋找函數(shù)模型，因此所得結(jié)論中既能得到較為理想的計(jì)算結(jié)果，也能更好地反映出語(yǔ)言知識(shí)層面的關(guān)系。