论智
编译 | Bot
来源 | Google Research Blog
编者按：美国时间周三，谷歌官方博客介绍了科学家Michael Ringgaard和Rahul Gupta的一个实验性自然语言框架语义解析器，称能绕过分词、生成词向量等步骤，利用语义框架直接完成文本解析。这个新工具SLING基于框架语义学，提出了一些令人振奋的思路，但谷歌“说话只说一半”，没有论文介绍，没有案例支撑，更没有模型准确率佐证，因此我们无法得知它在框架搭建上的具体突破。
谷歌在博文中是这样介绍的：
现如今，大多数实用的自然语义理解（NLU）还在使用逐级解析的方法，从词性标注到生成词向量到生成依存句法分析再到文本分析，虽然这种模块化的方法有利于模型训练，但它也带来一个问题：前期犯的错误会产生级联效应，直接影响后期输出及最终模型的准确率。
为了解决这个问题，谷歌今天推荐的自然语言框架语义解析器SLING提出了一种思路——建立一个基于自然语言文本的语义框架图。输入语句后，该框架能直接捕获用户感兴趣的内容进行标注，原本分级的步骤在这里是平行的，谷歌认为这样能避免“流水线”式的缺陷，防止不需要的计算。据介绍，SLING基于一个专用的循环神经网络（RNN），它直接在框架图上对输入文本进行增量编译。框架图足够灵活，能高效提取开发者感兴趣的语义任务；SLING的解析器只针对单词，因此可以绕过一些中间环节，如生成依存句法分析。
SLING产生的代码在RNN上inference的速度很快，在桌面级CPU上的解析速度可超过2500令牌/秒。这主要依靠以下两个设计：
-
一种高效的、可扩展的框架存储实现；
-
一个JIT编译器。
它是用C++实现的，感兴趣的读者可以前往github下载。
框架语义分析
SLING采用的语言学理论是框架语义学，这是认知语言学的一个分支，利用语义框架、语义网络来理解词汇意义，而非语法句法分析。它把句子作为一个语义框架，语义框架中词元的语义类别不同，与之相关的语义角色的名称就不同。
如在以下示例中，例句可以被简单粗暴地划分为三种成分让SLING归类：实体（人物、地点、事件等）、度量（日期、距离等）和其他概念（动词类成分等）——
Many people now claim to have predicted Black Monday
people是人物，Black Monday是事件，predicted是连接人物和事件的行为（其他概念），可单独作为一个框架元素PREDICT-01。当与人物发生相互作用时，PREDICT-01通过ARG0插槽表示“谁做的预测”，当与事件发生相互作用时，则用ARG1插槽表示“预测了什么”。整个判断过程基于语义概念结构，不会细化到针对每一个动词。
虽然这个例子很简单，但依靠现有的框架语义学研究，这种方法在一些涉及参考、隐喻、转喻的复杂句上会有尤其出色的表现。值得一提的是，它适合用语料库做模型的开发者。
SLING
SLING训练RNN的方法是优化语义框架。
正如之前提到的，在SLING里，现行的逐级分析是平行的，所以它不需要手动分词、通过流水线提取特征，它把这些都步骤放进了隐藏层。在神经网络内部，SLING使用了一个编码器—解码器体系结构，它把输入的单词做原始处理，依据词典语义特征编码成一个向量，并附上后缀（ES），解码器也会对标点符号做处理。
这之后，SLING会把它们和各自的历史特征结合起来，逐个分析构成意义的ARG插槽，获得句子的预期语义框架。这一模型已在TensorFlow和DRAGNN中完成训练。
如视频所示，SLING逐个分析单词所能够成的语义框架元素，并根据相互关系生成句子结构，最后一个单词输入完毕后，整个模型会进行一次再调整，把最完整的语义框架反馈给开发者。值得注意的是，一些单词输入后，如果无法立即判断它在框架中的作用，SLING会把它先储存到缓冲区，再由之后的单词诱发判断。在不做句法依存生成的基础上，这种做法对于捕捉框架元素之间的关系异常有效。
论智点评
因为博客中只介绍了这一种思路，并没有展示具体的训练实例和模型准确率，所以论智君暂时无法判断SLING的可靠性。而谷歌这种遮遮掩掩、空口无凭的做法也着实让人气愤。就目前框架语义学的资料来看，SLING拥有一个成熟框架的可能性微乎其微，当然，如果它有，那首先谷歌翻译就远不止现在的水平了。
如果有读者对SLING感兴趣，或对框架语义学感兴趣，可以关注整个理论的核心基础——框架的定义和搭建。因为现有的语言学研究并不能就框架给出一个严密的结论，博客中的示例是一个再简单不过的单场景句子，框架语义学在隐喻、借喻等复杂句上的出色应用也是早就被证明了的，它的局限性在于对多逻辑结构、多场景从句的分析。
无论如何，正如谷歌在文中说的，SLING在语料库研究上会有不错表现，因为框架语义学就是基于语料库的，所以刚入门NLP的同学和喜欢自制chatbot的同学可以去下载试试，也许一会有不一样的体验。
SLING github地址：https://github.com/google/sling
原文地址：https://research.googleblog.com/2017/11/sling-natural-language-frame-semantic.html
本文系论智编译，转载请联系本公众号获得授权。
