什么是“语义学” (semantics)，或者，“语义学”是什么？大部分词典都将其定义为语言学的一个分支，研究语言的意义（meaning）。那什么是意义呢？词典的定义是：“语言或其它符号所表示的内容”。那什么是内容呢？词典的定义是：“事物所包含的实质和意义”。这样我们又回到原点：意义就是内容，内容就是意义。 这样看来，所谓的“语义”还真的不好把握。不过在日常生活中我们很少为这个问题发愁。日常语言我们常用“意思”表达“意义”或“语义”。举几个例子： （1）你能告诉我这段话是什么意思吗？ （2）“我最近很忙，手机也坏了，领导派我出差，最近这一段不在本地；所以，我们先不要联系了…”“你什么意思？是说我老缠着你吗？” （3）这个英文单词的意思是“访问”。 在这些场景中我们似乎对“意思”的把握很到位，无论是篇章，对话，单词各个层次上的“意义”我们都很熟练的掌握。 有一个和“意思”相近的词叫“解读”。例如上例（2）大概属于解读之类。解读和“意思”有一个区别是前者更接近主观的认知：我认为… 不过，语义也有让人困惑的一面：跟一个天生的盲人，你能说清楚“红”的意思吗？对于别人从未听过见过的、你家乡的一些独特小吃（比如糌粑、糕干、麻豆腐等），你能解释清楚它们是什么吗？恐怕你的解释啰里啰嗦一大堆，已经谈不上是什么“语义”了。这时其实最好的说明方法就是把实物放在你朋友面前让他体验一下（尝尝）就行了。 和汉语不同，英语中表示语义/意义/意思有两个词汇，一个是常见的“meaning”，另一个学术味比较浓，称作“semantics”，通常是指研究语义的学问。那这个semantics到底是什么的？研究什么？我们先简单做个科普。 首先，这个词原本不是用在语言学里，而是逻辑学用语。60年前提到semantics，一般指逻辑命题与真值之间的对应关系。在逻辑学中，任何一个命题都要确定其真值，作为研究论证的基础。这个确定命题真值的过程和理论就是semantics。上世纪1930年代，有人试图将这个术语移植到自然语言的研究，但是人类语言的semantics是什么东西，无人知晓，大部分逻辑学家认为绝对很荒唐：乱七八糟毫无规律可言的人类日常语言能有什么“真值”可以确定？！ 随便举个例子： “法国国王是个秃子”可以确定“真值”吗？ 当然可以。法国当时已经是第四共和国了，哪有什么“国王”？所以真值为“假”。 喂，先等等。既然法国没有国王，那你凭什么说“法国国王是个秃子”一定是假的呢？不存在的对象我可以随便说它是什么，它不是什么。 不对吧！逻辑学说命题与现实对象没有对应物时该命题应当为假。 你说的更不对。如果说没有对应物，那“法国有国王”这个命题才是假的。退一万步说，即使“法国国王是个秃子”是个假命题，但这句呢？ “我舅舅认为法国国王是个秃子”。你就不能说是假的了吧？万一我舅舅真的认为法国国王是个秃子，这句话就为真。 所以，逻辑学家们打不起这个架，大部分人对自然语言都敬而远之，semantics自然也就落不到人类日常语言上来。 而当时的语言学，更多的是用meaning，也就是“意义”、“意思”表达词义、句义，从来没有奢望将语义作为语言学的独立分科。现在有许多人批评乔姆斯基当年在《句法结构》中拒绝将语义纳入语言学研究。我觉得对当时才30岁左右的乔氏来说，有点冤枉，因为当时确实很少人将semantics看做是语言学的一部分，因为一提到semantics，人们马上会联想到逻辑学，而且乔氏的结构主义语言学背景也不可能在那个时候让他能创建一个独立的语义学研究。 巴希勒尔（Bar-Hillel）是当时第一个提出将结构主义语言学与逻辑联姻试图将semantics引进语言学研究的人。不过乔氏拒绝了他，认为逻辑学最多只能为语言学提供一些描述工具，而对语言学研究本身用处不大。 到了1960年代，事情有了变化，搞语言哲学的Katz和Fodor等人加入到了转换语法阵营，专攻转换语法的语义部分。这样，在1965年乔氏发表《Aspects》宣布“标准理论”的基本框架时，语义，semantics第一次堂而皇之地进入了语言学的圣殿，成为当时转换语法的一个组成部分。不过，正像后来许多语义学家所讽刺的那样，在乔氏语法理论的T形图中，厚重的深层结构、转换和表层结构的旁边，漂浮着一个高深莫测的大概是空空如也的盒子，它叫做semantics。 （标准理论的框架是这样的： 深层结构——语义 | 转换 | 表层结构 ） 但是实际上，这个语义学盒子真不是空的，装了许多“语义规则”。这些“语义规则”看上去和短语结构相似，也是用树形图表示的，只不过节点上的不是单词词组，而是一些“语义属性”。这些“语义属性”用大写的英文单词表示。比如kill这个词，它的语义就是MAKE sb DIE。 这样，生成语法里的语义，实际上是用了词典的方法。例如朗曼学习词典，首先假定学习者已经认识了英语2000左右的基本词汇，然后用这些基本词汇定义剩下来的4万多词汇。从学习者角度，或者从语言教育的角度，这是一个创举。但是生成语法拿这个思路描述人类所有语言，就不太现实了。 这样，语义学在1960年代是个混沌的存在，谁都认为语言学应当研究语义，但什么是语义，人们似乎还没想好。 与此同时，在美国西部，有另外一个人，从巴希勒尔对乔氏的建议受到了启发，看来，真正能作为科学的semantics，只能从逻辑学着手了 ，这个人就是Richard Montague。他从乔氏研究句法的成绩受到强烈的震撼，认为这种形式化方法不但可以研究句法、音位，也应当能够研究语义。在美国东部MIT为语义问题吵翻天时，Montague开始试着从一阶谓词逻辑开始，加入自然语言的元素，一点点地扩展。一阶逻辑不够使，再加入二阶逻辑，也就是谓词也可以做变量的逻辑，然后再加入早期为解决数学基础问题的类型论、lambda演算等工具，描述的自然语言现象也一点点扩大，到了1960年代末，Montague终于有了可以拿出手的自然语言的语义学了。在研究方向上，他首先扩展了逻辑的概念，从一阶谓词逻辑扩展到内涵逻辑和类型论，于1973年，发表了《The Proper Treatment of Quantification in Ordinary English》（日常英语中量化现象的严格处理：简称PTQ），一炮而红，获得的名声完全不亚于十几年前乔氏《句法结构》，被盛赞为开创了语义学的新纪元。自此，语义学研究完全上了逻辑学的“贼船”一发而不可收。 现在回到上面的问题：什么是语义？什么是意义？什么是意思？ 先把那些比较难的问题，如话里话、话外话、绵里藏针等剔除，把那些所谓“环境因素”、例如说“这房间真冷”的真实意思是让你打开暖气等也剔除，只剩下字面意思。 然后再把范围缩小，只看学外语。这样，我们研究所谓语义/意义/意思好像就有的放矢而且也容易了。那么我遇到一个不懂的外语单词，所谓语义/意义/意思无非就是一部外汉词典，找到外语生词，查一下相应的中文词就明白了。许多人学英语背单词不就是干这件事吗？ 如果从外语学习的角度，所谓语义就是背单词：看见一个外语词马上知道中文意思；这种想法并不是完全没道理。 如果我们把视线转向单语，就像上面提到的，朗曼词典的专家们，从4万多单词提取出2000词汇作为基本元素来定义剩下词汇的词义使人在学完2000基本词汇后轻松利用英-英词典，真是功德无量啊。这在语义学上还真有个术语：叫做“义素”，这是比照音素、词素等造出来的，既然语音可以分解成音素、单词可以分解为词素，为什么“语义”不能分解为“义素”呢？有了“义素”概念，可以给单词按照“义素”分类，因某种性质归在一起的同类词，可以叫做“场”（field）。这是受物理学启发，既然有磁场、电场，为什么不能把一堆凑在一起的东西也叫作“场”呢？于是语义就有了“语义场”。明星露面叫“气场”，天安门前那一大块空地叫广场，学者明星走穴叫出场。反正这些够你“语义学”研究的。 现在有个问题，单语字典中那些定义、双语词典中的中外对照，算是语义吗？如果算，下一个问题是：只要我把字典中的定义、外汉词典的中文对译记下来就算掌握这个词的语义了吗？反过来，如果一个中国老农，知道“鲸鱼”这个词，但从未背过什么现代汉语词典的定义，他算不算懂这个词的语义？如果算，他其实真的不知道“鲸鱼”不是鱼（而且中文这个词本身就是误导）。如果不算，他可以在说话时自如运用这个词，“我在电视上看到鲸鱼了”。有人会说，这不是语义问题，这属于百科知识，跟语言无关。但问题是，如果承认百科知识和语义无关，但在判断词义时又要用到百科知识，那么这个“无关”是什么意思？如果有关，那问题更复杂了：人们在理解“语义”时，百科知识和“语义”知识是如何相互作用？是不是研究“语义”同时还要兼带研究百科知识？ 最后一个问题是，那些作为定义词的基本词汇，它们的“语义”由什么来确定？如果仍然由这些基本词汇表中的其它词来定义则会陷入循环定义的尴尬中。就像我们刚一开始定义“意义”，意义就是内容；内容是什么？内容就是意义。 除了词义外，就是词组了，例如：全国人大常委会。如何知道它的“语义”。这时候大概真的得用所谓“百科知识”了：你首先要知道全国人大是“中华人民共和国全国人民代表大会”的简称（我还没问你“简称”的“语义”呢），还要知道全国人大的组织机构分大会、常务委员会和许多其它专门委员会，其闭幕时的执行机关是常务委员会，而常委会是常务委员会的简称… 行了、行了，如果我们的语义研究是做这个的，那这个研究是没法做了。 再往上，句子。在句子这个层次，仿佛逻辑学已经给闯出了一条道，那就是从研究肯定陈述主动句开始。因为这样的句子，如果不是太出格，都可以用“命题”的概念“框住”它。不过，逻辑学研究句子语义的结果看上去并不那么激动人心，它只说给定句子的“真值”是什么，尽管在研究自然语言时叫做“语义值”(semantic value)，其实只是换了个马甲。 说了半天到底什么是“语义/意义/意思”呢？笔者也没有最终答案，只是将词典里对semantics的定义献给各位看官： The branch of linguistics and logic concerned with meaning. There are a number of branches and subbranches of semantics, including formal semantics, which studies the logical aspects of meaning, such as sense, reference, implication, and logical form, lexical semantics, which studies word meanings and word relations, and conceptual semantics, which studies the cognitive structure of meaning. （研究意义的语言学和逻辑学的分支。语义学又分为几个分支：形式语义学研究意义的逻辑学方面，包括感知义、指称、蕴含和逻辑形式；词汇语义学研究单词的意义和词和词之间的关系；概念语义学研究意义的认知结构。） 如果通过这个介绍你觉得“语义学”很无聊，就此打住。如果你觉得有些意思，那我们下回再聊。 这篇东西，严格说不是什么“笔记”，仅仅是漫谈，适合从未接触过语义学的人。如果你一直在做句法、音位方面的研究，那么在语义领域你会遇到前所未有的全方位挑战：第一个问题就是你如何界定你的研究目标。作为新兴领域，语义学只是一个襁褓中吃奶的婴儿，还谈不上什么成体系的理论架构。 下一篇谈谈语义学研究牵涉到的其它学科：哲学、逻辑学、数学。 【注】 对逻辑学研究语义感兴趣的请参见我在豆瓣【逻辑】小站的读书笔记 《逻辑和语义的关系：第一章 导言 1.2》 请参见我在生成语法小组的发言 《生成语义学派的历史地位》
来自牛津大学的大数据研究项目，注：国外的研究项目一般都有一个很好的站点反映研究状态及进展信息。 Optique: Scalable End-user Access to Big Data Scalable enduser access to Big Data is essential for the effective support of critical decision making in large companies. The Optique project aims to develop new techniques and infrastructure that will bring about a paradigm shift for data access by: using Ontology Based Data Access (OBDA) to provide a semantic end-to-end connection between users and data sources; enabling users to rapidly formulate intuitive queries using familiar vocabularies and conceptualisations; seamlessly integrating data spread across multiple distributed data sources, including streaming sources; exploiting massive parallelism for scalability far beyond traditional RDBMSs; and thus reducing the turnaround time for information requests to minutes rather than days. These objectives will be achieved by bringing together leading researchers and developers from diverse communities — including Knowledge Representation, Databases, and the Semantic Web — to devise new techniques and to implement them in an extensible platform that will provide a complete and generic solution to the data access challenges posed by Big Data. The platform will: (i) Use an ontology and declarative mappings to capture user conceptualisations and to transform user queries into complete, correct and highly optimised queries over the data sources; (ii) Integrate distributed heterogeneous sources, including streams; (iii) Exploit massively parallel technologies and holistic optimisations to maximise performance; (iv) Include tools to support query formulation and ontology and mapping management; and (v) Use semi-automatic bootstrapping of ontologies and mappings and query driven ontology construction to minimise installation overhead. Development of the platform will be informed by and continuously evaluated against the requirements of complex real-world challenges, with two large European companies providing the project with comprehensive use cases, and access to user groups and TB scale data sets. Links Project website Selected Publications View all Capturing Model−Based Ontology Evolution at the Instance Level: The Case of DL−Lite Evgeny Kharlamov‚ Dmitriy Zheleznyakov and Diego Calvanese In Journal of Computer and System Sciences (JCSS) . Vol. 79. No. 6. Pages 835 − 872. 2013. Details | BibTeX | Download (pdf) Towards Query Formulation and Query−Driven Ontology Extensions in OBDA Bernardo Cuenca Grau‚ Martin Giese‚ Ian Horrocks‚ Thomas Hubauer‚ Ernesto Jiménez−Ruiz‚ Evgeny Kharlamov‚ Michael Schmidt‚ Ahmet Soylu and Dmitriy Zheleznyakov In OWL Experiences and Directions Workshop (OWLED) . 2013. Details | BibTeX | Download (pdf) The Optique Project: Towards OBDA Systems for Industry (Short Paper) D. Calvanese‚ M. Giese‚ P. Haase‚ I. Horrocks‚ T. Hubauer‚ Y. Ioannidis‚ E. Jiménez−Ruiz‚ E. Kharlamov‚ H. Kllapi‚ J. Klüwer‚ M. Koubarakis‚ S. Lamparter‚ R. Mller‚ C. Neuenstadt‚ T. Nordtveit‚ . zcep‚ M. driguez−Muro‚Ro M. Roshchin‚ Marco Ruzzi‚ F. Savo‚ M. Schmidt‚ A. Soylu‚ A. Waaler and D. Zheleznyakov In OWL Experiences and Directions Workshop (OWLED) . 2013. Details | BibTeX | Download (pdf) Sponsors EC FP7 info Duration 1st November 2012 to 31st October 2016 People Bernardo Cuenca Grau Ian Horrocks Ernesto Jimenez-Ruiz Evgeny Kharlamov Boris Motik Dmitriy Zheleznyakov
what are your views on Latent Semantic Analysis (LSA)? LSA is a cool machine learning technique based on lexical evidence of co-occurrence in order to decode the underlying semantic categories (clustering or classification) of the given text (Deerwester et al. 1990). Typically, the first step of LSA is to construct word-vs.-document co-occurrence matrix. Then singular value decomposition (SVD) is performed on this co-occurring matrix. The key idea of LSA is to reduce noise or insignificant association patterns by filtering the insignificant components uncovered by SVD. Given that there is no parsing, no structures, hence no understanding involved in LSA, it is amazingly successful in some areas which are supposed to require Natural Language Understanding (NLU) or Artificial Intelligence (AI). For example, it is a dominant approach in the area of automatic grading of high school reading comprehension tests, at least it was dominant 8 years ago when I was collaborating with education researchers in proposing a new parsing based approach to this task to compete with the popular LSA approach. The reason for its (partial) success in uncovering some natural language semantics lies in the fact that sentences have two sides: structures (trees) and words (nodes). Putting structures aside, the words used in a natural language document (discourse) are not random collection, they have inherent lexical coherence holding them together to make sense. In addition. the lexical coherence evidence and the structural evidence are often overlapping in terms of reflecting underlying semantics to certain extent. Therefore, for some coarse-grained semantic tasks, there is a possibility of maximizing the use of the lexical side of evidence to do the job, ignoring the structure part of language. But there is a fundamental defect in LSA that limits how far it can go in decoding semantics, due to the lack of structures. In my past research, we have used LSA in our Word Sense Disambiguation (WSD) research project, as an auxiliary method to help perform synonym expansion in order to generalize our parsing evidence from literal node to cluster node. It seems to be effective to certain extent, but cannot be claimed better than using synonym lexicon encoded by linguists if we had human resources. It does have the benefit of automatically clustering synonyms based on the data, hence automatically adapting to the domain we are interested in. The weakness of LSA is the same as most other so-called bag of words (BOW) learning approaches based on keyword density or co-occurrence. Since LSA does not involve structures or understanding, it is at best an approximation to the effect of parsing-based (or understanding-based) approaches for almost all the tasks involving natural language text. In other words, the quality in theory (and in practice as well, as long as the parser is not built by inexperienced linguists) can hardly beat a parsing-based rule system. Another weakness of LSA is that it is much more difficult to debug a learned system for a given error or error type in results. Either you tolerate it all or you re-train LSA with new or expanded data, in which case there is no guarantee that the bulk results will get that error corrected. In a rule based system of multiple levels, it is much easier to localize the error source and fix it. My own experience with using LSA for synonyms clustering is that when I examine the results, I sort of feel that it seems to make sense, but there are numerous cases which are beyond comprehension: it was difficult to determine whether that incomprehensible part of the results is due to the noise of imperfect data and/or bugs in the algorithm, hence difficult in coming up with effective corrective methods. When we talk about rule-based semantic approach, we do not mean that the approach only relies on parsing structure in decoding semantics. When we do semantics, whether extracting sentiments, or factual events, we always bring lexical evidence and structural evidence together in accomplishing the task. For example, in order to extract the emotional sentiment of an agent expressed towards an object or brand, our sentiment rule will involve trigger words like love/like/favor/prefer and then check its logical/grammatical subject and object of certain lexical type (e.g. human type versus non-human type) to ensure we decode the semantics of the underlying text precisely. As you see, the rule approach thus used has the advantage of having two types of evidence support than LSA that has only one type of evidence. This is a fundamental difference when we compare rules with BOW class of techniques, no matter what new approaches or techniques are hot in the community. Admittedly, BOW learning in general and LSA in particular do have the benefit of being robust in handling noisy data and it can also be quickly built up once data are available. The automatic adaptation to a domain based on the training data is also a strength as it narrows down the semantic space to start with. The approximation in treating language as a black box rather than analyzing language as a de-composable hierarchy of structures is sometimes good enough in certain use cases of semantics. LSA is often cited as an alternative to grammar approach partially because it got a good, eye-catching name, I guess. It suddenly shortens the distance between sentence meaning and the building blocks words, without the trouble of having to use structures as a bridge. (But language is structured! As true as the earth is revolving.) 【相关篇什】 【科普笔记：没有语言结构可以解析语义么？（之二）】 泥沙龙笔记：儿童语言没有文法的问题 2015-07-01 【置顶：立委科学网博客NLP博文一览（定期更新版）】
标签: 语义
