Преобразование текста в когнитивную структуру

Гораздо более сложной, но более важной и интересной представляется задача преобразования целого текста, описывающего целый фрагмент знания, в когнитивную структуру.

Возьмем в качестве примера наглядный язык с названием KNOW, использовавшийся в проекте WebMind.

Типовой оператор этого языка выглядит следующим образом.

Представим себе самое простое предложение текста, содержащее тем не менее, простейший предикат:

John gives Mary book

[give, John, Mary, book]

Каждое предложение текста представляется как набор одного или нескольких отношений. Тип каждого отношения определяется именем отношения, которое является и типом оператора, описывающего знание, содержащееся в этом предложении.

В этом языке могут задаваться отношения наследования (inheritance):

[Inheritance, bird, animal]

А также подобия:

[Similarity, dog, cat]

Могут выражаться и более сложные отношения (implication):

[Implication, [give, John, Mary, book], [Own, Mary, book]]

Здесь нет необходимости перечислять все операторы, но можно привести небольшой текст, закодированный на языке KNOW.

Итак, текст:

Mike is one of Americans. He is 14 years old. He has older sister. Like the others Americans he believes God. Two years ago he went to school. Mike doesn’t like to learn mathematics, physics and computer science. On the contrary, he likes study humanities. He is an usual American teenager.

Его представление в виде последовательности операторов языка KNOW:

{

[Inheritance nation1 nation] // optional

[Inheritance Americans nation1] // optional

[Property Mike nation Americans]

// то же самое можно сделать так:

[PartOf Mike Americans]

[NumericProperty Mike age 14 years]

[Own Mike sister]

[RelativeProperty Mike sister older]

[Inheritance American1 American]

[Inheritance Mike American1]

[Believe Mike [in God]]

//необходимо, чтобы определить «2 years ago»,

[RelativeTime FirstDayOfSChool today «2 years ago»]

[Time [Mike went to school] FirstDayOfSChool]

[RelativeProperty [learn Mike “the humanities”]

[learn Mike “mathematics, physics and computer science”] more like]

[PartOf Mike “American teenagers”]

}

Если попробовать закодировать подобный текст самому, то после завершения этого процесса легче можно представить особенности работы инженера знаний, а также, насколько сейчас возможно создание системы, которая достаточно точно перекодирует текст в знания.