Математическое моделирование процесса анализа близости предикатов семантических отношений тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Корнышов, Александр Николаевич

• Корнышов, Александр Николаевич
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Корнышов, Александр Николаевич

ВВЕДЕНИЕ.

1. МОДЕЛИРОВАНИЕ ПРОЦЕССА ОБОБЩЕНИЯ ПРЕДИКАТОВ В ХОДЕ МАШИННОГО ОБУЧЕНИЯ РАСПОЗНАВАНИЮ СЕМАНТИЧЕСКИХ ОТНОШЕНИЙ. ПОСТАНОВКА ЗАДАЧИ.

1.1. Функциональная постановка задачи количественной оценки близости Предикатов Семантический Отношений.

1.2. Свойства Естественного Языка как критерии адекватности моделирования Семантики Конструкций Естественного Языка.

1.3. Анализ существующих методов моделирования Семантики Конструкций Естественного Языка и методов моделирования Знаний о Семантике.

1.4. Выбор методов моделирования.

1.5. Концептуальная модель процесса обобщения Предикатов в ходе машинного обучения распознаванию Семантических Отношений.

1.6. Выводы.

2. ПОСТРОЕНИЕ ФОРМАЛЬНОГО АППАРАТА МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ ПРОЦЕССА ОБОБЩЕНИЯ ПРЕДИКАТОВ СЕМАНТИЧЕСКИХ ОТНОШЕНИЙ И ИССЛЕДОВАНИЕ СВОЙСТВ ПРЕДЛОЖЕННОГО АППАРАТА.

2.1. Исследование принципов таксономии прецедентов Семантических Отношений.

2.2. Математическая модель процесса обобщения Предикатов Семантических Отношений и ее свойства.

2.3. Мера близости Семантических Знаний и ее использование для распознавания Семантических Отношений.

2.4. Способы вычисления количественной оценки близости Предикатов Семантических Отношений.

2.5. Выводы.

3. ПОСТРОЕНИЕ СИСТЕМ ПРЕДИКАТОВ СЕМАНТИЧЕСКИХ ОТНОШЕНИЙ.

3.1. Иерархизация Предикатов Семантических Отношений и ее интерпретация в рамках концептуальной модели процесса обобщения Предикатов.

3.2. Система Предикатов Семантических Отношений как основа представления Семантических Знаний.

3.3. Примеры использования механизма обобщения Предикатов Семантических Отношений для решения проблем моделирования Конструкций Естественного Языка.

3.4. Применение системы Предикатов Семантических Отношений в задаче моделирования сортовой и родовидовой классификации лексики.

3.5. Выводы.

4. АЛГОРИТМИЗАЦИЯ МЕТОДОВ КОЛИЧЕСТВЕННОЙ ОЦЕНКИ БЛИЗОСТИ ПРЕДИКАТОВ СЕМАНТИЧЕСКИХ ОТНОШЕНИЙ.

4.1. Алгоритмы нахождения количественной оценки близости Предикатов Семантических Отношений.

4.2. Использование оценки близости систем Предикатов Семантических Отношений для их трансформаций.

Введение диссертации (часть автореферата) на тему «Математическое моделирование процесса анализа близости предикатов семантических отношений»

Целью создания Искусственного Интеллекта (ИИ) является формализация различных форм интеллектуальной деятельности человека. Попытки перенести часть знаний человека в область работы вычислительной техники имеют целью облегчить деятельность человека, осуществляемую с применением этой техники, в том числе и интеллектуальную. Облегчение взаимодействия между человеком и машиной открывает путь для более широкого и интенсивного использования человеком базовых вычислительных возможностей ЭВМ, таких как обработка больших объемов данных, сложные математические вычисления над ними и основанный на последних анализ данных, по скорости и безошибочности выполнения которых вычислительная техника намного превосходит человека.

В настоящий момент одним из приоритетных направлений в области развития ИИ является облегчение взаимодействия между человеком и вычислительной техникой с помощью Естественного Языка (ЕЯ) [66]. Именно ЕЯ люди используют в своей повседневной деятельности, и поэтому было бы удобно использовать ЕЯ и для общения человека с различными Интеллектуальными Системами (ИС). Разработка ИС, способных понимать ЕЯ, некоторыми специалистами вообще считается основной целью исследований в области ИИ [74]. ЕЯ служит человеку для выражения собственных мыслей и понимания мыслей других людей, и, таким образом, вполне подходит для сохранения и передачи некоторых знаний при общении с машиной.

Несмотря на успехи в исследовании методов и разработке с их помощью систем по Обработке ЕЯ (Natural Language Processing) [41] и даже успешное использование таких ИС в отдельных областях применения, ряд вопросов данного направления всё ещё остаётся малоисследованным, а для полноценного функционирования ИС Обработки ЕЯ возникают технические препятствия.

Среди множества затруднений технического характера, мешающих применению в информационных системах интеллектуально-коммуникативных технологий, предполагающих взаимодействие человека и ЭВМ на ЕЯ, выделим две следующих группы.

Первая группа технических затруднений состоит в необходимости предварительного ввода в ЭВМ всей полноты Знаний о ЕЯ, которые используются для общения между носителями данного языка. Объем этих Знаний велик, и поэтому их ввод требует огромных затрат труда множества квалифицированных специалистов, в том числе для предварительной формализации и систематизации этих Знаний. При традиционном подходе не учитывается возможность неполноты и противоречивости самих Знаний о ЕЯ, относительность представления как о ЕЯ, так и ситуациях его использования, а также потребность в постоянном изменении введённых Знаний. Если для некоторых областей применения на коротком временном промежутке функционирования ИС изменениями в ЕЯ можно пренебречь, то в целом изменчивость - глубинное и универсальное свойство как естественных, так и искусственных языков [16], и его необходимо учитывать.

Причина чрезмерной трудоёмкости - отсутствие на настоящий момент методов предметно-адаптивной формализации и автоматической систематизации Знаний о ЕЯ. Как следствие этого, при использовании существующих подходов к формализации Знаний о ЕЯ для каждого языка и тематического подмножества требуется производить заново как формализацию, так и ввод Знаний, что увеличивает затраты труда на разработку ИС. Разработка математической модели процесса ввода и систематизации информации о ЕЯ с помощью автоматического выявления и применения машиной закономерностей каждого ЕЯ позволила бы решить задачу автоматического накопления и систематизации ИС Знаний об используемом ЕЯ. Здесь можно выделить задачу интеллектуализации процесса пополнения Знаний, которая заключается в автоматическом построении машиной части модели ЕЯ, и задачу интеллектуализации самого процесса ввода - человеко-машинного общения, который, чтобы избавить от рутинной деятельности человека-оператора, необходимо осуществлять на ЕЯ. В данном случае предмет общения как раз ЕЯ, и логично и удобно было бы организовать работу оператора по вводу с использованием самого ЕЯ. Подобно тому, как выполняет роль педагога на ЕЯ автоматизированная обучающая система [72], только наоборот. Оператору, которому в этом случае уже не нужно быть экспертом-лингвистом, а только носителем языка, достаточно ввести в ЭВМ обучающее ИС множество прецедентов Смысловой Эквивалентности (СЭ) высказываний на ЕЯ.

Вторая группа технических затруднений в области Обработки ЕЯ заключается в значительной вычислительной сложности анализа и необходимых для него преобразований высказываний на ЕЯ. В реализованных на практике методах Обработки ЕЯ присутствует противоречие между скоростью обработки, которая является следствием применения простых правил преобразований, и универсальностью представления ЕЯ-преобразований, которая позволяет более полно описывать ЕЯ с помощью сочетания сложных правил. В последнем случае уменьшается трудоёмкость описания ЕЯ, но увеличивается вычислительная сложность алгоритмов анализа, воспроизводящего полноту и непротиворечивость языкового описания путём согласования множества правил. Анализ и преобразования на основе сложных формализмов моделей приводят к комбинаторному взрыву, лингвистическими причинами которого являются омонимия и синонимия в ЕЯ, сочетание подчинительных и сочинительных связей, что накладывается на линейную структуру предложений и тем самым увеличивает длины связей между словами и количество возможных вариантов комбинирования связей. При автоматическом накоплении и систематизации ИС Знаний о ЕЯ неполнота и противоречивость Знаний, вводимых оператором в простой, но универсальной форме, устраняются на этапе обучения ИС, и их не требуется восполнять вычислениями на этапе анализа и преобразований, причём каждый раз делать это заново.

Настоящая диссертационная работа посвящена использованию существующих в ЕЯ закономерностей для автоматизации накопления и систематизации ИС Знаний об этом ЕЯ. Для решения данной проблемы в диссертации ставится задача разработки модели процесса ввода и систематизации Семантических Знаний о ЕЯ в ЭВМ путем машинного обучения ИС по прецедентам СЭ высказываний на ЕЯ и использования накапливаемых таким способом Семантических Знаний в задачах анализа семантической эквивалентности ЕЯ-высказываний, таких как задача распознавания Семантических Отношений (СО) Конструкций ЕЯ [35], задача количественной оценки накапливаемых Семантических Знаний, задача построения морфологической, сортовой, родовидовой классификации лексики. Таким образом, решаемая проблема ориентирована на практическую реализацию в ИС Обработки ЕЯ.

Накопление и систематизация Семантических Знаний ИС предполагает процесс обобщения Знаний. Объект настоящих исследований - Предикаты СО Конструкций ЕЯ, с помощью которых в модели ЕЯ представляются Семантические Знания. Систематизация ИС Семантических Знаний на основе присутствующих в них закономерностей является процессом обобщения Предикатов СО.

Предметом исследований является процесс анализа близости Предикатов СО. Определение меры близости Семантических Знаний с помощью сравнения Предикатов СО использует закономерности, которые выявлены в ЕЯ в процессе обобщения Предикатов. Возможности как процесса анализа близости, так и процесса обобщения Предикатов ограничены уровнем автоматического выявления закономерностей в ЕЯ алгоритмом обобщения. Поэтому, за исключением предельного случая - автоматического построения машиной полной модели ЕЯ, для процесса обобщения Предикатов возможна лишь частичная автоматизация, тогда как процесс анализа близости Предикатов СО, используя готовые результаты процесса обобщения Предикатов, допускает полностью автоматическое выполнение.

Актуальность исследований обоснована отсутствием в настоящий момент научно обоснованных методов обобщения Предикатов применительно к описанию СО в ЕЯ, а также методов анализа близости Предикатов СО в той мере, в какой возможно автоматическое обобщение Предикатов.

Сформулируем главную цель работы следующим образом: разработка методов количественной оценки близости Предикатов в прог{ессе их обобщения в ходе машинного обучения распознаванию СО Конструкций ЕЯ.

Областью непосредственного практического применения теоретических результатов настоящей работы является автоматизация обучения [72], автоматический контроль знаний с помощью тестирования на ЕЯ путем машинного анализа СЭ между ответами учащихся и эталонами, заданными педагогом, поскольку при данном применении знания учащихся, фиксируемые в Текстах ЕЯ, постоянно измеряются/оцениваются экспертом-педагогом в приложении к стабильному ситуационному контексту вопросов и предмета. В качестве прикладных областей для применения данной модели можно также назвать диалоговые и экспертные системы, автоматическое реферирование и обработку документов и информации, а также связанную с этим задачу поиска необходимой информации.

Диссертационная работа состоит из введения, четырех глав, заключения, двух приложений, списка используемых сокращений и библиографического списка.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Корнышов, Александр Николаевич

Результаты работы имеют не только научную, но и практическую значимость. Построенный формальный аппарат математического моделирования процесса обобщения Предикатов СО в форме НПП можно применить для практической реализации механизма автоматического накопления и систематизации Семантических Знаний на основе выявляемых в ЕЯ закономерностей. Оператору-человеку, которому не нужно быть экспертом-лингвистом, а только носителем языка, достаточно ввести в ЭВМ обучающее множество прецедентов СЭ ЕЯ-высказываний, это может быть сделано с помощью диалога оператора с ИС на ЕЯ.

Такое свойство сложных систем Предикатов СО как иерархизация упрощает процесс распознавания СО и процесс обобщения Предикатов в ходе обучения ИС распознаванию СО Конструкций ЕЯ. Упорядоченность последовательности применения НПП от простого к сложному уровням синонимии в процедуре порождения вариантов перифразирования ЕЯ-высказывания приводит к тому, что вычислительная сложность данной процедуры линейно зависит только от количества уровней синонимии и даже в маловероятном для реального ЕЯ случае неоднозначности распознавания ЕЯ-высказывания на всех уровнях синонимии оказывается ограничена сверху количеством НПП в системе Предикатов СО. Разработанные алгоритмы оптимизированы для сравнения сложных, иерархизированных систем НПП с помощью механизма нестандартного логического вывода УВ, что позволяет эффективно проводить распознавание СО Конструкций ЕЯ.

Устранено присутствующее в реализованных на практике методах Обработки ЕЯ противоречие между скоростью обработки, которая является следствием применения простых правил преобразований, и универсальностью представления ЕЯ-преобразований, которая позволяет более полно описывать ЕЯ с помощью сочетания сложных правил, что уменьшает трудоёмкость описания ЕЯ, но увеличивает вычислительную сложность алгоритмов анализа, воспроизводящего полноту и непротиворечивость языкового описания путём согласования множества правил. При автоматическом накоплении и систематизации ИС Знаний о ЕЯ неполнота и противоречивость Знаний, вводимых оператором в простой, но универсальной форме, устраняются на этапе обучения ИС, и их не требуется восполнять вычислениями на этапе анализа и преобразований, причём каждый раз делать это заново.

Практическое применение модели обучения распознаванию СО Конструкций ЕЯ возможно в самых разных областях: перевод, синтез ЕЯ-высказываний, Смысловая обработка Текстов на ЕЯ. Основной областью применения является автоматизация обучения, автоматический контроль знаний с помощью тестирования на ЕЯ путем машинного анализа СЭ между ответами учащихся и эталонами, которые заданны педагогом. При данном применении знания учащихся, фиксируемые в Текстах ЕЯ, постоянно измеряются/оцениваются экспертом-педагогом в приложении к стабильному ситуационному контексту вопросов и предмета. В качестве прикладных областей для применения данной модели можно также назвать диалоговые и экспертные системы, автоматическое реферирование и обработку документов и информации, а также связанную с этим задачу поиска необходимой информации.

Материалы работы основаны на публикациях [33-34, 46-49], из них 5 опубликованы, 1 в печати. Полученные результаты апробированы в докладах на конференциях: XVIII международной научно-методической конференции "Математика в вузе" (Великий Новгород, 2005), 6-й международной научной конференции «Интеллектуализация обработки информации» (ИОИ-2006) (Крым, Алушта, 2006), в докладах на научных конференциях в рамках Дней Науки в Новгородском государственном университете имени Ярослава Мудрого (Великий Новгород, 2005), (Великий Новгород, 2006), (Великий Новгород, 2007).

Все научные и практические результаты получены автором самостоятельно. Достоверность полученных теоретических результатов подтверждается корректностью доказательств теорем об алгоритмической разрешимости и вычислительной сложности процесса распознавания СО Конструкциях ЕЯ и процесса обобщения систем Предикатов СО Конструкций ЕЯ. Также достоверность подтверждается соответствием модели Семантики Конструкций ЕЯ формальным критериям, сформулированным при постановке задачи.

Разработанные методы решения задач Обработки ЕЯ доведены до реализации. Эффективность предложенных алгоритмов распознавания СЭ ЕЯ-высказываний в сравнении с известными на сегодняшний день алгоритмами синонимического перифразирования подтверждается теоремами; иллюстрацией работы алгоритмов являются примеры, приведенные в приложении А. В работе промоделировано множество синонимических преобразований, известных из лингвистики, при этом разрешены проблемы моделей Семантики Конструкций ЕЯ, которые основаны на перифразировании. С помощью системы Предикатов СО в форме Н1111 возможно учитывать различные уровни синонимий и представить проблемные и сложные виды синонимических преобразований, произвести автоматическую классификацию ЛЗ.

Разработанные в диссертации методы и алгоритмы количественной оценки близости Предикатов СО, таксономии Конструкций ЕЯ, логического вывода усложнением вариантов нашли практическое воплощение в программном комплексе, который в дальнейшем планируется использовать для решения задач автоматизации составления тезаурусов по дисциплинам специальности "Программное обеспечение вычислительной техники и автоматизированных систем" в учебном процессе Новгородского государственного университета.

Возможные направления дальнейших исследований заключаются в решении с помощью разработанных методов количественной оценки близости Предикатов СО в ходе машинного обучения распознаванию СО Конструкций ЕЯ общей задачи интеллектуализации процесса пополнения Знаний о СО Конструкций ЕЯ, которая заключается в автоматическом построении ЭВМ части или полной модели любого ЕЯ путем диалога на ЕЯ с носителем данного языка, что также подразумевает задачу построения универсальной, общеязыковой модели Концептуальных ЕЯ-Знаний. Для этого путем анализа пересечения выделенных классов ЛЗ необходимо найти базовые Семантических Значений МУ слов в каждом ЕЯ, которые затем подвергнуть сравнению и обобщению на уровне множества ЕЯ.

ЗАКЛЮЧЕНИЕ

В заключении приведем положения, которые определяют научные и практические результаты настоящей диссертационной работы. Главные научные результаты состоят в следующем:

Выявлены наиболее общие функциональные и структурные свойства ЕЯ, на основе чего предложена модель ЕЯ как множества ситуаций ЕЯ-употребления с механизмом проверки ЕЯ-высказываний на допустимость в речи и механизмом согласования употребления форм поверхностного выражения Смысла в разных ситуациях ЕЯ-употребления;

Разработана формальная концептуальная модель обучения распознаванию СО Конструкций ЕЯ с помощью обобщения Семантических Знаний, которые представлены Предикатами СО, механизмом Концептуального Анализа, который выявляет закономерности в ЕЯ-употреблении;

Установлено, что таксономия множества прецедентов СО механизмом Концептуального Анализа представима с помощью Предикатов в форме Н1111 над множествами структурированных значений аргументов СО, на основе чего построен формальный аппарат математического моделирования процесса обобщения Предикатов СО в форме НПП;

С использованием построенного аппарата решена задача распознавания СО Конструкций ЕЯ путем сравнения систем Предикатов СО в форме НПП, результатом которого является вычисление количественной оценки близости систем Предикатов СО;

Доказаны теоремы о алгоритмической разрешимости процесса обобщения Предикатов СО и процесса распознавания СЭ ЕЯ-высказываний.

Показано, что с помощью количественной оценки близости систем Предикатов СО может быть проведена иерархизация сложных систем Предикатов СО; иерархизация позволяет реализовать алгоритм распознавания СО Конструкций ЕЯ, вычислительная сложность которого не экспоненциально, а линейно растет с увеличением числа уровней иерархии синонимии и количества Предикатов;

Доказаны: теорема о том, что вычислительная сложность процесса обобщения Предикатов СО исходной системы Hi 111 линейно зависит от количества Предикатов в конечной системе Hi 111, которая является результатом обобщения исходной, и теорема о том, что вычислительная сложность процесса распознавания СЭ ЕЯ-высказываний в заданной системе НПП линейно зависит от количества уровней синонимии в этой системе и в худшем случае от количества НПП в этой системе;

Также показано, что системой НПП может быть промоделировано множество синонимических преобразований, известных из лингвистики, включая те, которые учитывают различные уровни синонимий, и сложные виды синонимических преобразований: выходящие за пределы простого предложения и за рамки регулярной ЛФ-синонимии; при этом разрешены проблемы моделей Семантики Конструкций ЕЯ, которые основаны на перифразировании; решена задача морфологической, сортовой, родовидовой классификации лексики.

Разработаны алгоритмы нахождения количественной оценки близости Предикатов в общем виде с учетом возможных методов оценивания, оптимизированные для сравнения сложных, иерархизированных систем Предикатов СО; показано применение этих алгоритмов для трансформации систем НПП в процессе обобщения Предикатов СО.

В настоящей диссертационной работе впервые предложен комплексный подход к решению ряда задач компьютерной Обработки ЕЯ. Так, показано, что задача распознавания СЭ ЕЯ-высказываний сводится к задаче сравнения систем Предикатов СО и нахождения количественной оценки их близости. Последняя задача решается теми же методами, что и задача обобщения систем Предикатов для предварительного машинного обучения ИС распознаванию СО Конструкций ЕЯ. Разработанная модель ЕЯ позволяет универсальным образом представить СО в ЕЯ с помощью Hi 111 и модели ситуаций ЕЯ-употребления. На основе модели можно проводить машинное обучение распознаванию произвольных СО Конструкций ЕЯ. Предложенный алгоритм распознавания СО ЕЯ-высказываний с помощью процесса обобщения систем Предикатов СО объединяет в одно целое процессы анализа Конструкций ЕЯ и сравнения Смыслов ЕЯ-высказываний.

Список литературы диссертационного исследования кандидат технических наук Корнышов, Александр Николаевич, 2007 год

1. Аде Ф. Г., Бондарев В. Н., Искусственный интеллект: Учебное пособие для вузов. Севастополь: СевНТУ, 2002. - 615 с.

2. Апресян Ю. Д. Дейксис в лексике и грамматике и наивная модель мира // Семиотика и информатика, вып 35. М.: Языки русской культуры: Русские словари, 1997. - 396 с. - С. 272-298.

3. Апресян Ю. Д. Лексическая семантика: Синонимические средства языка. -М.: Наука, 1974.-367 с.

4. Апресян Ю. Д. О регулярной многозначности. // Известия АН СССР. Отделение литературы и языка. Т. XXX, вып. 6. М., 1971. - С. 509-523.

5. Афифи А., Эйзен С. Статистический анализ. Подход с использованием ЭВМ. М.: Мир, 1982. - 488 с.

6. Батыршин И. 3., Хабибуллин Р. Ф. Разработка алгоритмов когнитивного кластерного анализа // Обработка текста и когнитивные технологии, вып.З / Под ред. В. Д. Соловьева. Пущино, 1999. - С. 43-47.

7. Бауман Е. В., Дорофеюк 10. А., Москаленко А. С. Размытая упорядоченная классификация // Искусственный интеллект, №2. -Донецк, 2006. С.50-52.

8. Белоногов Г. Г., Богатырев В.И. Автоматизированные информационные системы. М.: Сов. радио, 1973. - 328 с.

9. Белоногов Г. Г., Котов Р. Г. Автоматизированные информационно-поисковые системы М.: Сов. радио, 1968. - 182 с.

10. Белоногов Г. Г., Новоселов А. П. Автоматизация процессов накопления, поиска и обобщения информации. М.: Наука, 1979. - 256 с.

11. Болотов А. Е., Бочаров В. А., Горчаков и др. Пусть докажет компьютер, серия "Логика и компьютер", вып. №5. М.: Наука, 2004. - 207 с.

12. Боровков А. А. Математическая статистика. Новосибирск: Наука, 1997. -772 с.

13. Борщев В. Б. Естественный язык наивная математика для описания наивной картины мира // Московский лингвистический альманах, вып. 1. -М., 1996.-С. 203-225.

14. Борщев В. Б., Кнорина Л. В. Типы реалий и их языковое восприятие // Вопросы кибернетики. Язык логики и логика языка / Под ред. В.В. Иванова.-М., 1990.-С. 106-134.

15. Борщев В. Б., Парти Б. X. Семантика генитивной конструкции: разные подходы к формализации // Типология и теория языка: от описания к объяснению / Под ред. Е. В. Рахилиной и Я. Г. Тестельца. М.: "Языки русской культуры", 1999.-С. 159-172.

16. Бурлак С. А., Старостин С. А. Введение в лингвистическую компаративистику. М.: Эдиториал УРСС, 2001. - 270 с.

17. Вагин В. Н. Дедукция и обобщение в системах принятия решений. М.: Наука, 1988.-384 с.

18. Ващенко Н. Д. Формирование понятий в семантической сети // Кибернетика, №2. Киев, 1983. - С. 101 -107.

19. Виноград Т. Программа, понимающая естественный язык: Пер. с англ. -М.: Мир, 1976.-296 с.

20. Винцюк Т. К. Распознавание слов устной речи методами динамического программирования // Кибернетика, №1. Киев, 1968. - С. 81-88.

21. Волошин Г. Я. Об использовании языковой избыточности для повышения надежности автоматического распознавания речевых сигналов // Вычислительные системы, вып. 37. Новосибирск, 1969. - С. 44-47.

22. Гаек П., Гавранек Т. Автоматическое образование гипотез: математические основы общей теории. -М.: Наука, 1984.-280 с.

23. Герасимова И. А. Формальная грамматика и интенсиональная логика. -М.: Ин-т философии, 2000. 156 с.

24. Гладкий А. В. Синтаксические структуры естественного языка в автоматизированных системах общения. Серия: Проблемы искусственного интеллекта. М.: Наука., 1985. - 144 с.

25. Гладун В. П. Планирование решений. Киев: Наук.думка, 1987. - 168 с.

26. Гожий А. П., Коваленко А. Д. Реализация текстологических методов извлечения знаний с помощью СОМ-технологии // Искусственный интеллект, №2. Донецк, 2006. - С.321-324.

27. Девятков В. В. Системы искусственного интеллекта: Учеб. пособие для вузов. М.: Изд-во МГТУ им. Н.Э. Баумана, 2001. - 352 с.

28. Демьянков В. 3. Основы теории интерпретации и ее приложения в вычислительной лингвистике. М.: Изд-во Моск. ун-та, 1985. - 76 с.

29. Демьянков В. 3. Специальные теории интерпретации в вычислительной лингвистике. М.: Изд-во Моск. ун-та, 1988. - 87 с.

30. Емельянов Г. М., Корнышов А. Н., Михайлов Д. В. Концептуально-ситуационное моделирование процесса перифразирования высказываний естественного языка как обучение на основе прецедентов // Искусственный интеллект, №2. Донецк, 2006. - С.72-75.

31. Загоруйко Н. Г. Гипотезы компактности и (-компактности в методах анализа данных // Сиб. журн. индустр. математики, Т. 1, №1. -Новосибирск, 1988.- С. 114-126.

32. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. -Новосибирск: Изд-во Ин-та математики, 1999. 270 с.

33. Загоруйко Н. Г., Бушуев М. В. Меры расстояния в пространстве знаний // Анализ данных в экспертных системах. Вып. 117: Вычислительные системы. Новосибирск, 1986. - С. 24-35.

34. Загоруйко Н. Г., Пичуева А. Г. Сравнение иерархических структур // Искусственный интеллект и экспертные системы. Вып. 157: Вычислительные системы. Новосибирск, 1996. - С. 101-111.

35. Загоруйко Н. Г., Свириденко Д. И. Формализация процесса углубления понимания // Эмпирическое предсказание и распознавание образов. Вып. 67: Вычислительные системы. Новосибирск, 1976. - С. 87-92.

36. Искусственный интеллект: В 3-х кн., Кн.1. Системы общения и экспертные системы: Справочник / Под ред. Э. В. Попова. М.: Радио и связь, 1990.-464 с.

37. Искусственный интеллект: В 3-х кн., Кн.2. Модели и методы: Справочник / Под ред. Д. А. Поспелова. М.: Радио и связь, 1990. - 304 с.

38. Искусственный интеллект: В 3-х кн., Кн.З. Программные и аппаратные средства: Справочник / Под ред. В.Н. Захарова, В.Ф. Хорошевского. -М.: Радио и связь, 1990. 368 с.

39. Кибрик А. Е. Очерки по общим и прикладным вопросам языкознания. Серия: "Лингвистическое наследие XX века". М.: КомКнига, 2005. -336 с.

40. Кондратов А. М. Звуки и знаки. М.: Знание, 1978. - 208 с.

41. Кравцов А. А., Липницкий С. Ф., Насуро Д. Р. Синтез рефератов текстовых документов на основе ситуативно-синтагматической сети // Искусственный интеллект, №2. Донецк, 2006. - С.172-175.

42. Кубрякова Е. С. О тексте и критериях его определения // Текст. Структура и семантика. Т. 1. М., 2001. - С. 72-81.

43. Кубрякова Е. С., Шахнарович А. М., Сахарный Л. В. Человеческий фактор в языке: Язык и порождение речи / АН СССР. Ин-т языкознания; Отв. ред. Е. С. Кубрякова. М.: Наука, 1991. - 239 с.

44. Кубрякова Е. Язык и знание. Серия "Язык. Семиотика. Культура". М: Изд. "Языки славянской культуры", 2004 г. - 560 с.

45. Леман Э. Проверка статистических гипотез. М.: Наука, 1979. - 408 с.

46. Лорьер Ж.-Л. Системы искусственного интеллекта: Пер. с франц. М.: Мир, 1991.-568 с.

47. Любарский Ю. Я. Интеллектуальные информационные системы. М.: Наука, 1990.-232 с.

48. Манохин А. Н. Методы распознавания, основанные на логических решающих функциях // Эмпирическое предсказание и распознавание образов. Вып. 67: Вычислительные системы. Новосибирск, 1976. - С. 42-53.

49. Мельников Г. П. Системная типология языков: Принципы, методы, модели. М.: Наука, 2003. - 395 с.

50. Мельчук И. А. Опыт теории лингвистических моделей "Смысл О Текст". Семантика, синтаксис. М.: Языки русской культуры, 1999. - 345 с.

51. Нариньяни А. С., Кентавр по имени ТЕОН: Тезаурус + Онтология. // Труды международного семинара Диалог'2001 по компьютерной лингвистике и ее приложениям, Т.1. Аксаково, 2001. - С. 184-188.

52. Насуро Д. Р. Алгоритмы и программы визуализации информативных предложений в системе автоматического реферирования текстовыхдокументов // Искусственный интеллект, №2. Донецк, 2006. - С.416-419.

53. Нейрокомпьютеры и интеллектуальные роботы / Под ред. Н. М. Амосова. Киев: Наукова думка, 1991. - 272 с.

54. Немытикова JI. А. Методы сравнения символьных последовательностей // Методы обработки символьных последовательностей и сигналов. Вып. 132: Вычислительные системы. Новосибирск, 1989. - С. 1-34.

55. Никитина С. Е. О концептуальном анализе в народной культуре // Логический анализ языка: Культурные концепты, Вып. 4. М., 1991. -160 с.-С. 117-123.

56. Павиленис Р. Й. Проблема смысла. Современный логико-философский анализ языка. М.: Мысль, 1983. - 286 с. - С. 279-280.

57. Попов Э. В. Общение с ЭВМ на естественном языке. М.: Наука, 1982. -360 с.

58. Попов Э. В., Фирдман Г. Р. Алгоритмические основы интеллектуальных роботов и ИИ. М.: Наука, 1976. - 455 с.

59. Поспелов Д. А. Ситуационное управление: теория и практика. М.: Наука, 1986.-288 с.

60. Представление и использование знаний: Пер. с япон. / Под ред. X. Уэно, М. Исидзука. М.: Мир, 1989. - 220 с.

61. Прим 3. Л. Кратчайшие связывающие сети и некоторые обобщения // Кибернетический сб., №2. -М., 1961. С. 95-107.

62. Рубашкин В. Ш. Представление и анализ смысла в интеллектуальных системах. М.: Наука, 1989. - 192 с.

63. Савельев А. Я. Проблемы автоматизации обучения // Вопросы психологии, №2. М., 1986. - С. 11-20.

64. Селезнев К. Обработка текстов на естественном языке // Открытые Системы, № 12. М., 2003. - С. 48-54.

65. Симоне Дж. ЭВМ пятого поколения: компьютеры 90-х годов. М: Финансы и статистика, 1985. - 173 с.

66. Соловьев В. Д. Кластерный анализ многофакторных лингвистических понятий // Труды межд. семинара "Диалог 2000". М., 2000. - С. 512515.

67. Таханов Р. С. Предикативное описание множеств отображений и максимальные предикатные пары // Искусственный интеллект, №2. -Донецк, 2006. С.242-246.

68. Тейз А., Грибомон П., Луи Ж. и др. Логический подход к искусственному интеллекту: от классической логики к логическому программированию: Пер. с франц. -М.: Мир, 1990.-432 с.

69. Тестелец Я. Г. Введение в общий синтаксис. М., РГГУ, 2001. - 800 с.

70. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. Пер. с англ. М.: Мир, 1992. - 240 с.

71. Фомичев В. А. Математические основы представления смысла текстов для разработки лингвистических информационных технологий. Часть I. Модель системы первичных единиц концептуального уровня // Информационные технологии, № 10. -М., 2002. -С. 16-25.

72. Хоменко Л. В. Методы параллельного формирования понятий на основе пирамидальных сетей // Экспертные системы и распознавание образов. Вып. 126: Вычислительные системы. Новосибирск, 1988. - С. 24-25.

73. Хомский Н. Формальные свойства грамматик // Кибернетический сб., №2. М., 1961. -С.121-130.

74. Хомский H. Язык и мышление. Пер. с англ. М.: Изд. Моск. Ун-та, 1972. -122 с.

75. Черный JI. Б. Порождение мер связи между объектами с помощью мер связи между признаками // Проблемы анализа дискретной информации. -Новосибирск: изд. ИЭиОПП СО АН СССР, 1975. С. 167-174.

76. Шенк Р. Обработка концептуальной информации: Пер. с англ. М.: Энергия, 1980.-361 с.

77. Эндрю А. Искусственный интеллект. М.: Мир, 1985. - 264 с.

78. Emelyanov G. M., Krechetova T. V., Kurashova E. P. Tree Grammars in the Problems of Searching for Images by their Verbal Descriptions // Pattern Recognition and Image Analysis. 2000. Vol. 10, № 4. P. 520-526.

79. U. Priss, Classification of Meronymy by Methods of Relational Concept Analysis. Online Proceedings of the 1996 Midwest Artificial Intelligence Conference, Bloomington, Indiana.

80. U. Priss, Linguistic Applications of Formal Concept Analysis. Proceedings of ICFCA 2003: Springer-Verlag, 2003.