模糊概念圖匹配的語用推理研究*

劉培奇，黃 苗+，封 昊，周 偉

1.西安建筑科技大學 信息與控制工程學院，西安 710055 2.陜西彩虹電子玻璃有限公司，陜西 咸陽 712000

模糊概念圖匹配的語用推理研究*

劉培奇1，黃 苗1+，封 昊1，周 偉2

1.西安建筑科技大學 信息與控制工程學院，西安 710055 2.陜西彩虹電子玻璃有限公司，陜西 咸陽 712000

針對目前計算機在自動語用分析中不能解析出整個話語深層含義的問題，設計了基于模糊概念圖匹配的關聯推理算法。該算法針對漢語語用分析中的特定對話模式，用模糊概念圖表示說話人的話語和認知語境知識，并從計算機學科出發進行關聯推理，解決了話語深層含義的語用分析問題。經過實驗分析，該算法準確率達78%。該算法已應用到輿情分析和IRC聊天室社會網絡挖掘中，采用該算法對大量會話文本預處理，有效降低了基于多特征融合的Mutton方法和AdaBoost方法的漏報率和誤報率，提高SBV極性傳遞算法的準確率，有效推出了對話者文本的深層含義。

語用分析；關聯推理；模糊概念圖；認知語境

1 引言

語用分析主要是分析話語在不同語境下的不同具體含義[1]，以及語言的隱含意義。在雙方交談中，有時出于禮貌、幽默和委婉等原因，話語的意圖沒有直接說出來，話語真正傳遞的實際上是另外一種深層次含義[2]。例如：A說“你在網上買的電腦運行快不？”，B回答“跟螞蟻爬一樣！”，“螞蟻爬”僅僅是B所說話語的表面含義，真正含義是“在網上買的電腦運行速度很慢”。如果在計算句子傾向性或僅用文本的表面含義，則會降低文本理解的準確率。因此，語用分析對理解話語深層含義具有十分重要的意義。

語用分析是自然語言理解的重要領域，國內外學者在這一方面展開了廣泛研究。在國外，Grice的會話含義理論[3]，首次對語用學進行了系統闡述和剖析，提出了語用分析的4個合作原則，但該原則存在模糊性和重疊性。后來，Horn把4個合作原則簡化為兩個[4]。Levinson指出Horn兩原則的不合理性，并在總結多位語言學家研究的基礎上概括出會話含義分析三原則[4]，建立了新Grice會話含義理論基礎。Sperber&Wilson在上述研究的基礎上，提出了關聯理論，構成了新Grice會話含義理論[2]。會話含義分析的基礎是對話語的語用推理。近年，國外對會話語用推理進行了大量研究。在文獻[5]中，為了便于非合作對話的理解，Brain Pluss從對話者語言的直接意義定義了DNC（degree of non-cooperative dialogue），提出非合作對話計算模型，便于對話者之間語言理解。但是在DNC中，僅計算語言表面詞匯意義，沒有涉及語言更深層次的意義。在文獻[6]中，Franke 在有限理性模型基礎上，針對博弈中雙方信息（經過信息可靠性語用推理）的理解和響應問題，提出了IBR（iterated best respones）模型。但是IBR 模型是建立在會話者的意義聚焦假設和有限合理性假設下，一般情況下，這兩個假設很難滿足，因此推理效果有限。

與國外的研究相比，國內學者更傾向于語用學應用研究。國內最早引入語用分析的是沈家煊，他對關聯理論進行了系統闡述和分析[7]；熊學亮對語用分析進行了深入研究，細化了關聯推理，總結了話語分析的關聯推理模式[2]；趙彥春將語用分析應用到翻譯領域，創建了指導翻譯的理論模型關聯翻譯[8]。但是他們僅從語言學或哲學角度進行理論研究，并沒有從計算機科學方面研究語用分析與推理的算法和實現。由于語用分析中語境因素繁多而且是動態變化的，在計算機中很難設計語境庫，并且不同話語很難和語境庫中繁多語境信息匹配，因為計算語用學發展緩慢，相關文獻相對較少。在現有文獻中，劉根輝[9]對計算語用學進行了較完整研究，并構建了基于語境的自然語言理解模型，根據語境信息較好地解決了漢語中一詞多義問題，但該系統并沒有對整個話語的深層含義進行理解。文獻[10]把語用信息用于關鍵字擴展、專利語料庫構建、專利檢索中，在一定程度上提高了檢索答案的準確率，但該系統對語境信息考慮較少，僅僅涉及用戶信息，沒有做到對整個話語深層含義的解析。文獻[11]提出了一個基于語用信息的候選答案排序模型，提高了問答系統的準確率，但該模型中涉及的語境信息也僅僅為答案提供者的信息和用戶對答案提供者所提供答案的評價信息，也沒有做到理解整句話的深層含義。

目前，在語用分析領域主要有Grice的會話含義理論和Sperber&Wilson的關聯理論，其中關聯理論是對Grice會話含義理論的繼承和批判，是為推導出交際意圖而尋找能滿足[新信息+關聯信息]組合的相關假設，并且在特定的場合中推導出話語的深層含義。關聯理論主要涉及會話分析、傳媒話語、文學、翻譯和言語幽默等領域，本文主要討論話語分析問題。

在計算機的話語分析中，模糊概念圖知識表示方法既有準確而嚴格的語義定義，又能表示深層語義知識和實現多種匹配推理。本文在模糊概念圖表示話語和認知語境基礎上，設計了基于模糊概念圖匹配的關聯推理算法（relevance inference algorithm based on fuzzy conceptual graph matching，RIAFM），解決了特定對話模式（即對話者A是一個問句，而回答者B對A沒有正面回答）的語用推理問題，推導出對話者B話語的深層含義，并對A的問題進行正面回答。本文以QQ聊天記錄中對話為基本數據，對RIAFM算法理解對話的正確性進行了實驗分析，對話語理解的準確率得到明顯提高。最后，將本文算法應用于句子傾向性計算和聊天室社會網絡挖掘中，本文算法明顯提高了計算句子傾向性分析和社會網絡挖掘的準確率。

2 基本理論

2.1 模糊概念圖

概念圖（conceptual graph，CG）是美國計算機科學家Sowa提出的一種基于語義分析的知識表示方法[12-13]。由于概念圖具有表示形式直觀，表達能力強，推理簡單，語言功能強等優點，目前已成為一種理想的知識表示方式。

定義1概念圖是由概念節點、關系節點、有向弧組成的有向連通圖，即：

其中，Concept={C1,C2,…,Cm}為概念節點集，表示實體、動作、狀態和事件等；Relation={R1,R2,…,Rn}為關系節點集，表示概念節點間的關系；F=(Concept×Relation)?(Relation×Concept)為有向弧集[14]。

在概念圖的線性表示中，用方括號表示概念節點，用圓括號表示關系節點。例如，語句“A dog eats the meat with the paw.”可線性表示為：

為了表示和處理模糊知識，Morton和Wuwongse等人結合模糊數學理論，研究了模糊概念圖[15-16]。

定義2設Le為實體子類，I為標記集合，則概念C的模糊度 ρ:Le×I→[0,1]，模糊概念C可表示為[t:x|ρ]。其中 t=type(C)；t∈Le，x=referent(C)，x∈I。如果ρ為1，則可以省略[17]。

定義3由模糊概念集合、關系集合和有向弧組成的有向二分圖，稱為模糊概念圖。

例如，一個年輕的女孩為Lucy的可能性為0.8可表示為：

2.2 概念圖匹配

在概念圖中，匹配算法主要包括完全匹配、投影匹配和最大連接匹配。

定義4設概念節點C1,C2∈C，若C1≤C2，則稱C2是 C1的概化，C1是 C2的特化[18]。

定義5如果概念節點C1和C2有最大公共子類C3，即對任意的概念節點C，若C≤C1，C≤C2，都有C≤C3，則稱概念節點C1和C2相容[19]。

定義6對于概念圖u、v和w，若w中的關系是u和v的并集，w中的概念是u和v中相容概念，則稱w是u和v的最大連接概念圖，記為w=u?v[18]。

例如：

則u和v的最大連接概念圖w為：

定義7對于模糊概念圖u、v和w，如果w中的關系是u和v的并集，w中的概念是u和v中相容的概念集合，且w中相容概念的模糊度為u和v中相容概念模糊度最小值，則稱w是u和v的最大連接模糊概念圖，記為w=u?v。

2.3 關聯推理模式

關聯推理的本質是語言交際者對交際意圖的表達和識別。本文通過關聯推理模式對特定對話模式進行推理。

定義8關聯推理模式就是在理解交際者話語的過程中，搜索滿足[新信息+關聯信息]組合的相關語境假設[20]，即：對話者A和對話者B談話時，當B說完話時，A對B的話語有關聯期待，就值得A花費努力去加工和推理B所說的話語，即B所說的話語會激活A大腦中原有的相關知識結構（對A話語的各種假設）和推理，然后在具體的交際場合內互動。

2.4 認知語境知識庫

通過對語境因素的研究，包羅萬象的語境歸納成為物理語境、語言語境、認知語境三大范疇[20]。認知語境庫作為心理構建體，和心理學上的構建一樣，都強調主體基于原有的知識與經驗對新信息意義的構建，它是新輸入的信息與大腦中已有信息相互作用、相互整合而凸顯的結果[21]。本文的認知語境知識庫（cognitive context knowledge library，CCKL）是專家通過訓練大量該特定對話模式樣本，總結并建立很多特定主題詞的各種相關假設。由于人與人所處的物理環境不同，記憶能力和認知結構也明顯不同，他們大腦中認知語境信息則不一樣。當兩個人處在同一個語境中，受到相同的明示刺激，他們做出的反應與激活的認知語境知識塊也不同。正因為這種不存在“共有知識”，交際一方對另一方所說話語的理解，充其量只是給交際的成功提供了可能，但絕對無法保證交際雙方達到百分之百的準確理解[20]。在本算法中，認知語境知識庫中每個主題詞的相關知識都用模糊概念圖集合表示，其中每一條相關知識的假設為集合中一個模糊概念圖，該模糊概念圖標注了該種假設成功交際的可能性。每一條相關知識假設都有一個模糊度，該模糊度是通過訓練大量談話事件，從中找出提問和回答都一樣的談話記錄，并記錄回答者涉及該談話的實際情況。設某特定的相同提問和回答的談話記錄有m對，實際結果為第一種情況的有n個，為第二種情況的有k個，則該相關知識假設的模糊度α為：

實際上α是一種先驗概率，表示對于某個特定的回答，而最終是某個特定實際情況的概率。

3 模糊概念圖關聯推理算法的設計與分析

根據人們理解話語的思維過程，決定了語用推理的過程就是對話雙方話語的模糊概念圖和認知語境知識庫中模糊概念圖的匹配過程。根據以上思想，本文設計了RIAFM算法。

3.1 算法流程

設對話者A的話語生成的模糊概念圖為u，回答者B的話語生成的模糊概念圖為v，w中概念節點集合為Cw，w中概念節點個數為k，與Cwt相連的關系節點集合為Rwtc，在CCKL中關于Cwi的主題詞的模糊概念圖集合為Q，q∈Q中概念節點集合為Cq，與Cqt相連的關系節點集合為Rqtc。RIAFM算法流程如圖1所示。

3.2 算法設計

算法RIAFM

輸入：u,v，談話雙方話語生成的模糊概念圖；

CCKL，認知語境知識庫；

Cu0，概念圖u中模糊度為0的概念節點。

輸出：Cu0?ρ，概念圖u中模糊度為0的概念節點的新模糊度。

Begin

1.w=u?v;

2.Cw={Cwi|Cwi為w中概念節點};

Rw={rwi|rwi為w中關系節點};

3.(?Cwi)Cwi∈ Cw;Cwi?ρ=0;

4.foreach(Cwiiscontainof(CCKL)){//判斷 CCKDB 中主題詞是否包含概念節點Cwi

5.Q=search(Cwi)//在CCKL中主題詞c的模糊概念圖集合為Q

Fig.1 Flow chart of RIAFM algorithm圖1RIAFM算法流程

6.(?Qi)Qi∈ Q

7.q=Qi;

8.Cq={Cqi|Cqi為q中概念節點};

Rq={rqi|rqi為q中關系節點};

9.Cqt=Cwt=Cwi;Cq=Cq-Cwi;temp1=1;temp2=1;

10.while(?(r)r∈Rw∧CwtrCwj∧Cwt,Cwj∈Cw∧r∈Rq∧CqrrCqj∧Cqt,Cqj∈Cq){

11.if(Cwj=Cqj∨CwjisHomonym(Cqj)){//如果 Cw和 Cqj相等或互為近義詞

12. if(Cwi?ρ=0){temp1=Cqi?ρ}

13. else{temp2=min(Cwi?ρ,Cqi?ρ)}}

14. if(Cq!=null){

15. Cq=Cq-Cqi;

16. if(Cq!=null){Cwt=Cwj;Cqt=Cqj;

free(Cwj,Cqj);重復執行(10);}

17. else{Cu0?ρ=temp1*temp2;return;}}}

18.elseif(CwjisAntonym(Cqj)){//如果 Cw和 Cqj互為反義詞

19. if(Cwj?ρ){temp1=-Cqj?ρ}

20. else{temp2=-min(Cwj?ρ,Cqj?ρ)}

21. if(Cq!=null){

22. Cq=Cq-Cqi;

23. if(Cq=null){Cwi?ρ=temp1*temp2;break;}

24. else{break;}}}

25.else{break;}

26.Cu0?ρ=min(Cwi?ρ)(i=1,2,…,n)//n 為 w 中概念節點數}

End

3.3 算法分析

在RIAFM算法中，輸入是談話雙方話語生成的模糊概念圖u、v，認知語境庫中相關主題的概念圖集合和概念圖u中模糊度為0的概念節點Cu0；輸出是概念圖u中模糊度為0的概念節點的新模糊度。從第3步開始，循環u和v的最大連接概念圖w中的概念節點，設w的概念節點數為m；從第5步開始，為w中概念節點Ci搜索認知語境庫中關于Ci主題詞的概念圖集合Q，設認知語境庫中主題詞數為n；從第6步開始，循環Q中每個概念圖q，Q中概念圖數為h；從第10步開始，w和Q中概念圖q進行匹配，只有q中的所有概念節點都與w中概念圖匹配時，算法匹配成功,而temp1×temp2的值才能正確地賦給Cu0。因此算法最多執行m×n×h次，最壞情況下時間復雜度為O(mnh)。

RIAFM算法空間復雜度為存儲模糊概念圖u、v、w和CCKL主題詞索引占用的空間，再加上臨時變量占用空間，因此該算法空間復雜度為| Ru|+| Rv|+|Rw|+| Cu|+| Cv|+| Cw|+h| Rq|+h| Cq|+n+3。對 二 元 關 系的模糊概念圖，算法近似存儲空間大約為2(| Ru|+|Rv|+| Rw|)+2h| Rq|+n+3，因此該算法總的空間復雜度為O(n)。

3.4 算法示例

例如：

A：Tom個頭高嗎？

B：Tom以前是籃球隊的！

步驟1經過命題充實后，生成模糊概念圖為：

u:[人:Tom|1]→(PART)→[個頭|1]→(ATTR)→[高|0].

v:[以前|1]←(TIME)←[籃球隊|1]←[CONS]←[人:Tom|1].

步驟2w=u?v。

w:[以前|1]←(TIME)←[籃球隊|1]←[CONS]←[人:Tom|1]→(PART)→[個頭|1]→(ATTR)→[高|0].

步驟3w中概念節點只有[籃球隊]在認知語境知識庫中的“籃球隊”主題詞的概念圖集合Q中概念圖 q匹配成功，則 Cu0?ρ=temp1×temp2=0.9×1=0.9，q的概念圖如下：

[籃球隊|1]←[CONS]←[隊員|1]—(PART)→

[身高|1]→(ATTR)→[高|0.9].

步驟4w和q匹配后，輸出Cu0為[高|0.9]，再用Cu0替換u中對應概念節點，最后得出u的概念圖為：

u:[人:Tom|1]→(PART)→[個頭|1]→(ATTR)→[高|0.9].

從u中得出，對話者B的意思為：Tom個頭高的可能為0.9。

4 實驗結果與分析

本文主要研究針對特定對話模式的話語自動關聯推理，推導出對話者B話語的深層含義，即對A的正面回答。本文實驗中，在Intel Core i5計算機Windows 7環境下用Java語言設計了RIAFM程序，并從QQ聊天軟件中收集到的10 372對聊天記錄中人工篩選出172對符合該特定模式的對話記錄進行了實驗分析。

首先，實驗選取172對該特定模式的對話記錄進行測試，部分原始數據對話記錄測試結果見表1。

Table 1 Experimental results of partial raw data表1 部分原始數據實驗結果

表1中，人工標注結果一欄為測試實驗結果的準確性而人工表示的正確結果，實驗結果一欄表示RIAFM算法運行的結果。實驗中，當人工標注的模糊度為+1而實驗結果標注的模糊度為正數時，或人工標注的模糊度為-1而實驗結果標注的模糊度為負數時，實驗結果正確；當人工標注的模糊度為+1而實驗結果標注的模糊度為負數時，或人工標注的模糊度為-1而實驗結果標注的模糊度為正數時，實驗結果錯誤。總對話數S=172對；正確的對話數T=134對；錯誤的對話數F=9對；未識別對話數U=29對，則準確率、錯誤率和未識別率如下：

實驗中前50條的運行結果如圖2所示。

Fig.2 Partial experimental results and error values圖2 部分實驗結果及其誤差值

通過實驗分析，本系統對對話者B的話語文本較長或B與A的話語關聯性不大的文本的匹配成功率不高。究其原因：其一是本文算法中話語模糊概念圖和認知語境知識庫中模糊概念圖匹配規則過于嚴格，降低了匹配成功率；其二是認知語境庫中相關知識不全面，需進一步建設認知語境知識庫。

算法的可靠性可通過標準誤差計算，在實驗中，匹配成功的對話總數目為n，人工標注結果的模糊度為a，實驗結果的模糊度為b，則標準誤差σ為：

在本實驗中，除去匹配不成功的31對對話，對129對實驗結果正確的對話和12對實驗結果錯誤的對話進行計算，標準誤差為0.298。

5 算法的應用

5.1 RIAFM在輿情分析方面的應用

搜集新浪微博關于某公司的6 000多條評論，其中“手機”主題1 683條、“贈品”主題1 257條、“物流”主題1 039條、“客服”主題953條和“假貨”主題1 117條。先用SBV極性傳遞算法對該素材進行計算，計算出未經RIAFM預處理的SBV算法準確率。然后使用RIAFM計算出句子深層含義并替代原文本，再使用SBV極性傳遞算法計算句子傾向性，得出經過RIAFM預處理的SBV算法準確率。兩個準確率對比如圖3所示。

Fig.3 Accuracy comparison圖3 準確率對比圖

從圖3中可以看出，經過RIAFM對評論文本預處理后的SBV算法的準確率高于未經過RIAFM對評論文本預處理的SBV算法的準確率。經過RIAFM預處理后的SBV算法的平均準確率為85.3%，未經RIAFM預處理后的SBV算法的平均準確率為74.5%，經過RIAFM預處理后的SBV算法的平均準確率高出未經RIAFM預處理后的SBV算法11個百分點，說明經過RIAFM對文本預處理后能有效提高SBV極性傳遞算法的準確率。

5.2 RIAFM在聊天室社會網絡挖掘方面的應用

在IRC聊天室的社會網絡挖掘中，使用RIAFM進行文本預處理，明確對話者B的話語隱含義，用基于多特征融合的Mutton方法和AdaBoost方法挖掘社會網絡[22]。在該程序中，寂靜時間閾值ST=120 s，響應時間閾值RT=20 s，時間跨度閾值SPT=180 s，序列長度閾值SN=5，相似度閾值SimT=0.2，時間片閾值TS=17 min。為了進行量化分析，經過人工分析得出社會網絡的數目為N，程序推斷出社會網絡的數目為M，程序挖掘出正確的社會網絡數目為TM，則漏報率和誤報率表示如下：

在IRC聊天室中，將每50 000條聊天記錄作為一篇文檔，收集了2 000篇文檔，將多特征融合的Mutton方法和AdaBoost方法，同使用RIAFM算法進行文本預處理后得出隱含義，并用隱含義替代原聊天記錄后再用基于多特征融合的Mutton方法和AdaBoost方法進行比較，其漏報率和誤報率如圖4和圖5所示。

Fig.4 Missed alarm rate圖4 漏報率

Fig.5 False alarm rate圖5 誤報率

從圖4中可以看出，經過RIAFM預處理過的Mutton方法漏報率下降了16.1%，經過RIAFM預處理過的AdaBoost方法漏報率下降了10.2%。從圖5中可以看出，經過RIAFM預處理過的Mutton方法的誤報率下降了7.4%，經過RIAFM預處理過的Ada-Boost方法的誤報率下降了3.8%。實驗結果表明，經過RIAFM預處理過的基于多特征融合的Mutton方法的漏報率和誤報率都有明顯的下降。

6 結束語

本文從自然語言理解語用分析的角度，利用計算機對特定對話模式自動進行語用分析，并設計了基于模糊概念圖匹配的關聯推理算法RIAFM，解決了用計算機自動推導出整個話語深層含義的問題。經過試驗分析，準確率達78%，標準誤差為0.298，具有較好的可靠性。RIAFM在SBV極性傳遞算法的傾向性文本計算中，有效地提高了文本傾向性計算的準確率。最后，將RIAFM應用于基于多特征融合的Mutton方法和AdaBoost方法的聊天室社會網絡分析中，有效降低了漏報率和誤報率。本文首次將計算語用學和模糊概念圖的知識應用到網絡聊天軟件的對話分析、微博評論文本的傾向性分析和聊天室的社會網絡挖掘中，對其他領域的話語深層次理解也有一定的參考價值。

[1]Leech G.N.Principles of pragmatics[J].Journal of Linguistics,1983,21(2):459-470.

[2]Xiong Xueliang.Inferences in language use[M].Shanghai:Shanghai Foreign Language Education Press,2007:51-60.

[3]Qin Shanshan.The study of the pragmatic reasoning of Grice's theory of conversational implicature[D].Chongqing:Southwest University,2014.

[4]Jiang Wangqi.My view on pragmatic inference[J].Modern Foreign Languages,2014,37(3):293-302.

[5]Pluss B.Towards a computational pragmatics for non-cooperative dialogue[D].Milton Keynes,UK:The Open University,2009.

[6]Franke M.Semantic meaning and pragmatic inference in non-cooperative conversation[C]//LNCS 6211:Proceedings of the 2008 International Conference on Interfaces:Explorations in Logic,Language and Computation,Hamburg,Germany,Aug 11-15,2008.Berlin,Heidelberg:Springer,2008:13-24.

[7]Yao Jigang,Wang Zhe.Mr.Shen Jiaxuan's academic studies for thirty years[J].Journal of Foreign Languages,2015(1):97-106.

[8]Zhao Yanchun.Relevance theory and the nature of Translation:a relevance theoretic interpretation of translation default[J].Journal of Sichuan International Studies University,2003,19(3):117-121.

[9]Liu Genhui.A study on computational pragmatics:theories and application[D].Wuhan:Huazhong University of Science and Technology,2005.

[10]Wu Liping.The Chinese patient retrieval system based on pragmatic information[D].Beijing:Beijing University of Posts and Telecommunications,2011.

[11]Sun Yueping.Comprehensive information based community question answering system[D].Beijing:Beijing University of Posts and Telecommunications,2014.

[12]Sowa J F.Conceptual structures:information processing in mind and machine[M].Addison-Wesley Publishing Company,1984.

[13]Sowa J F.Conceptual graphs for database interface[J].IBM Journal of Research&Development,1976,20(4):336-357.

[14]Liu Peiqi,Fan Xing,Duan Zhongxing.The research of conceptual graphs filtering technology for tendency text[J].Journal of Microelectronics and Computer,2012,29(12):84-87.

[15]Morton S.Conceptual graphs and fuzziness in artificial intelligence[D].Bristol:University of Bristol,1987.

[16]Wuwongse V,Manzano M.Fuzzy conceptual graph[C]//LNCS 699:Proceedings of the Conceptual Graphs for Knowledge Representation,Quebec City,Canada,Aug 4-7,1993.Berlin,Heidelberg:Springer,1993:430-449.

[17]Liu Peiqi,Zhang Linye.Study and implement of the knowledge representation of fuzzy conceptual graph[J].Journal of Microelectronics and Computer,2010,27(11):25-29.

[18]Liu Peiqi,Li Zengzhi,Zhao Yinliang.Knowledge representation of extended production rule[J].Journal of Xi’an Jiaotong University,2004,38(6):587-590.

[19]Liu Peiqi,Li Zengzhi.Research on knowledge representation and inference mechanisms about fuzzy conceptual graphs[J].Journal of Application Research of Computers,2010,27(6):2119-2122.

[20]Xiong Xueliang.Concise pragmatics tutorial[M].Shanghai:Fudan University Press,2008:76-95.

[21]Huang Huaxin,Hu Xia.Construction of cognitive context to explore[J].Journal of Modern Foreign Languages,2004,27(3):249-254.

[22]Zhang Wei,Cao Xianbin,Yin Hongzhang.Chat room socialnetwork mining based on multi-features fusion[J].Journal of University of Science and Technology of China,2009,39(5):540-546.

附中文參考文獻:

[2]熊學亮.語言使用中的推理[M].上海:上海外語教育出版社,2007:51-60.

[3]秦姍姍.格萊斯會話含義理論的語用推理研究[D].重慶:西南大學,2014.

[4]姜望琪.語用推理之我見[J].現代外語,2014,37(3):293-302.

[7]姚吉剛,王喆.沈家煊先生學術研究三十年[J].外國語:上海外國語大學學報,2015(1):97-106.

[8]趙彥春.關聯理論與翻譯的本質-對翻譯缺省問題的關聯論解釋[J].四川外語學院學報,2003,19(3):117-121.

[9]劉根輝.計算機語用學基礎理論及其應用研究[D].武漢:華中科技大學,2005.

[10]武麗平.基于語用信息的中文專利檢索系統[D].北京:北京郵電大學,2011.

[11]孫月憑.基于全信息的社區問答系統研究[D].北京:北京郵電大學,2014.

[14]劉培奇,凡星,段中興.傾向性文本的概念圖過濾技術的研究[J].微電子學與計算機,2012,29(12):84-87.

[17]劉培奇,張林葉.模糊概念圖知識表示方法的研究與實現[J].微電子學與計算機,2010,27(11):25-29.

[18]劉培奇,李增智,趙銀亮.擴展產生式規則知識表示方法[J].西安交通大學學報,2004,38(6):587-590.

[19]劉培奇,李增智.模糊概念圖知識表示及其推理機制研究[J].計算機應用研究,2010,27(6):2119-2122.

[20]熊學亮.簡明語用學教程[M].上海:復旦大學出版社,2008:76-95.

[21]黃華新,胡霞.認知語境的建構性探討[J].現代外語,2004,27(3):249-254.

[22]張衛,曹先彬,尹紅章.基于多特征融合的聊天室社會網絡挖掘方法[J].中國科學技術大學學報,2009,39(5):540-546.

劉培奇（1959—)，男，陜西西安人，博士，西安建筑科技大學教授，主要研究領域為人工智能，數據挖掘，模式識別，計算機網絡。發表學術論文50余篇，其中EI檢索16篇。

HUANG Miao was born in 1989.She is an M.S.candidate at Xi'an University of Architecture and Technology.Her research interests include machine learning and data mining.

黃苗（1989—)，女，河南嵩縣人，西安建筑科技大學碩士研究生，主要研究領域為人工智能，數據挖掘。

FENG Hao was born in 1994.He is an M.S.candidate at Xi'an University of Architecture and Technology.His research interests include machine learning and data mining.

封昊（1994—)，男，陜西榆林人，西安建筑科技大學碩士研究生,主要研究領域為人工智能，數據挖掘。

ZHOU Wei was born in 1980.His research interests include industrial automation and process control.周偉（1980—)，男，甘肅景泰人，電氣工程師，主要研究領域為工業自動化，過程控制。

Research on Pragmatic Inference of Fuzzy Conceptual Graph Matching*

LIU Peiqi1,HUANG Miao1+,FENG Hao1,ZHOU Wei2
1.School of Information and Control Engineering,Xi'an University of Architecture and Technology,Xi'an 710055,China 2.Shaanxi Caihong Electronic Glass Co.,Ltd.,Xianyang,Shaanxi 712000,China

Focused on the issue that computer cannot automatically carry out a pragmatic analysis of the deep meaning of whole discourse at present,this paper designs the relevance inference algorithm based on fuzzy conceptual graph.In the algorithm,aiming at the specific dialog mode of Chinese pragmatic analysis,the discourses of speakers and the knowledge of cognitive context are expressed in fuzzy conceptual graph,and the relevance inference is conducted from computer science.The problem that computer automatically deduces the deep meaning of whole discourse is resolved.Through the experimental analysis,accuracy can reach 78%.In addition,the algorithm has been applied in analyzing public opinion and mining social network.After the preprocessed discourses of speaker by this relevance inference algorithm based on fuzzy conceptual graph,this algorithm can reduce the missed alarm rate and false alarm rate of Mutton and AdaBoost methods based on multi-features fusion and increase the accuracy of SBV polar transfer algorithm.The algorithm can deduce the deeper meaning of answerer's discourse at specific dialog mode.

the Ph.D.degree from Xi'an Jiaotong University.New he is a professor at Xi'an University of Architecture and Technology.His research interests include artificial intelligence,data mining,pattern recognition and computer network.He has published more than 50 papers,including 16 papers indexed by EI.

2016-06, Accepted 2016-10.

A

TP181

+Corresponding author:E-mail:690765865@qq.com

LIU Peiqi,HUANG Miao,FENG Hao,et al.Research on pragmatic inference of fuzzy conceptual graph matching.Journal of Frontiers of Computer Science and Technology,2017,11(9)：1513-1522.

10.3778/j.issn.1673-9418.1606027

*The National Natural Science Foundation of China under Grant No.51178373(國家自然科學基金);the Natural Science Foundation of Shaanxi Province under Grant No.2014JM2-6114(陜西省自然科學基金).

CNKI網絡優先出版: 2016-10-31, http://www.cnki.net/kcms/detail/11.5602.TP.20161031.1650.002.html

Key words:pragmatic analysis;relevance inference;fuzzy conceptual graph;cognitive context