基于多級知識表示結構的英語動詞同形區分方法

付本靜

摘 要：為了實現英語動詞同形區分，提出基于多級知識表示結構的英語動詞同形區分方法.構建英語動詞同形語義結構模型，采用語義本體特征構造方法進行英語動詞同形語義特征表達，提取英語動詞的語義相關性特征量，結合屬性聚類分析方法進行英語動詞的同形特征演化分析，采用簡單子句歸結法進行英語動詞同形區分過程中的最佳語法分析和同形特征校驗，采用多級知識表示結構進行英語動詞同形區分，結合語義相關度分析方法進行英語動詞同形區分的語法分析和語義邏輯分析，建立英語動詞同形區分的語義多級知識表達模型，在最佳語法分析方案下實現英語動詞同形區分.仿真測試結果表明，采用該方法進行英語動詞同形區分的適應度較高，區分的準確性較高.

關鍵詞：多級知識表示;結構;英語;動詞;同形區分;語義

中圖分類號：TP391? 文獻標識碼：A? 文章編號：1673-260X（2020）01-0041-04

當前，隨著英語動詞同形特征的相似度越來越高，在進行英語學習和機器翻譯設計中，需要重點進行英語動詞同形區分，結合自然語言處理的方法，進行英語動詞同形結構區域，建立英語動詞同形多級知識結構模型，結合語義領域的本體模型設計方法，進行英語動詞同形區分，利用英語動詞同形分布，進行英語動詞的多級知識結構表達，提高英語動詞的詞匯表達能力，相關的英語動詞同形區分方法研究受到人們的極大關注[1].對英語動詞同形區分是建立在語義特征提取基礎上，結合英語動詞同形分布，進行語義相似度特征提取，建立英語動詞同形分布狀態特征量，針對語法分析方法，進行英語動詞同形區分和多級知識表示，本文提出基于多級知識表示結構的英語動詞同形區分方法[2].構建英語動詞同形語義結構模型，采用多級知識表示結構進行英語動詞同形區分，結合語義相關度分析方法進行英語動詞同形區分的語法分析和語義邏輯分析，建立英語動詞同形區分的語義多級知識表達模型，實現英語動詞同形區分，最后進行仿真測試分析，得出有效性結論.

1 英語動詞同形語義結構模型及特征表達

1.1 英語動詞同形語義結構模型

為了實現基于多級知識表示結構的英語動詞同形區分，需要首先構建英語動詞同形語義結構模型，采用語義本體特征構造方法進行英語動詞同形特征分離[3]，假設英語動詞同形CS有m種不同的語法表達結構，如圖1所示.

根據圖1的英語動詞同形語義結構分布，采用多元特征分布模型進行語法規則重建，建立語義相關性特征分布模型，采用權重約束方法，得到英語動詞同形語義結構特征分布集，結合模糊度檢測的方法，得到英語動詞同形狀態特征量，在語義方案Ai的情況下：假設英語動詞同形狀態分布集V為謂語中心詞，英語動詞的分級特征量S為V，O為V的承受者，在最大語義相關度約束下，用Wi是表示英語語句中的動詞Wi，動詞的多級知識結構為S、V，WGi是Wi的英語動詞同形特征語義修飾目標，那么，英語動詞同形狀態分布的相關度為fAi，針對語法分析方案Ai，可以得到英語動詞同形狀態分布集：

fAi=KSVO*（match（S，V）+match（O，V））

用S和O表示英語動詞同形特征分布的語義修飾特征集，得到英語動詞區分的目標函數集為V，n是實詞的個數.

設英語動詞同形特征分布的實數集為β∈[0，T]，在英語動詞同形語言評價集S中，采用語法樹分析方法，建立英語動詞同形多級知識表達模型， 其中T為語言評價集S中元素的個數，采用最小屬性特征劃分的方法，進行英語動詞同形結構組合分析，得到語義信息分布狀態特征量為：

？駐：[0，T]→S×[-0.5，0.5]? （2）

即? ？駐（？茁）=sk，K=round（？茁）ak=？茁-k，ak∈[-0.5，0.5）? （3）

其中，round為四舍五入取整算子.結合標準的語法量化集進行自適應尋優[4]，得到英語動詞同形狀態特征量為m，對不同語法樹進行標準集區分，得到語義邏輯語法樹結構模型為：

Ai=argmax（fAi）? （4）

建立不同的參數值組合，采用分段劃分的方法，將多級知識結構特征分為AB、AA或PD，在英語動詞的特征分布集中得到，AB+S（或O）、AA+S（或O）、PD+V等簡單語義集，采用語義本體特征構造方法進行英語動詞同形語義特征表達，假定L的語義結構為：L→AAPDAB.根據上述分析，構建了英語動詞同形語義結構模型.

1.2 英語動詞的語義相關性特征量提取

在上述構建英語動詞同形語義結構模型的基礎上，采用語義本體特征構造方法進行英語動詞同形語義特征表達，設{（s1，a1），（s2，a2），…，（sn，an）}是一組二元語義信息，在全局極值最優尋優狀態下，得到相應的權重向量為ω=（（ω1，a1′），（ω2，a2′），…，（ωn，an′））T，ωj∈[0，1]，建立不同的參數值組合，得到英語動詞的分級動態二元語義組合[5]，構建加權算術平均算子φ2定義為：

其中，英語動詞同形狀態集被劃分為連續的語義單元，為∑■■？棕j，s∈S，a∈[-0.5，0.5].根據上述分析，得到語義單元劃分結果如圖2所示.

采用有向圖模型，進行英語動詞同形狀態分布式重構，在全局極值高度尋優下[6]，得到語法樹模型如圖3所示.

對英語動詞同形區分的綜合評價矩陣為R=（rij，aij）m×n，多級知識表示的指標權重W=（（？棕1，？茁1），（？棕2，？茁2），…，（？棕n，？茁n）），采用模糊度尋優方法對語法樹進行歸一化處理，得到：

在有向圖模型中，得到標準化綜合評價矩陣X=（xij，aij′）m×n和指標權重W=（（？棕2′，？茁2′），（？棕2′，？茁1′），…，（？棕n′，？茁n′））.在此基礎上，結合屬性聚類分析方法進行英語動詞的同形特征演化分析，進行英語動詞的同形區分表達.

2 英語動詞同形區分優化

2.1 同形特征校驗

結合屬性聚類分析方法進行英語動詞的同形特征演化分析，采用簡單子句歸結法進行英語動詞同形區分過程中的最佳語法分析和同形特征校驗[7]，最佳語法分析的量化特征集分別為：

對英語動詞同形區分結構進行無量綱化處理，采用灰度分析的方法，建立英語動詞同形區分的特征分布式提取模型，表示為：

建立不同的參數值組合，計算英語動詞的同形相對貼近度，確定合理的權重系數，得到多級知識結構表達模型分別為：

式中，Ti為英語動詞同形特征分布的相對貼近度，Yi為英語動詞同形分布的多級知識結構模型.

采用統計分析的方法，定義英語動詞同形特征分布的相對貼近度模型為：

Qi=xTi+yYi，x+y=1? （12）

式中，x和y反映簡單語義單元特征集，即，x與y的值反映英語動詞同形特征分布的偏好度，采用模糊聚類分析的方法，進行同形特征校驗[8].

2.2 多級知識表示結構分析及同形區分

采用多級知識表示結構進行英語動詞同形區分，結合語義相關度分析方法進行英語動詞同形區分的語法分析和語義邏輯分析[9]，構建語言評價集S，即S={s0=EP（語義相關度非常差），s1=VP（語義相關度很差），s2=P（語義相關度差），s3=M（語義相關度中等），s4=G（語義相關度好），s5=VG（語義相關度很好），s6=EG（語義相關度非常好）}，得到英語動詞同形區分的動態標權重矩陣分別為

建立不同的參數組合策略[10]，進行英語動詞同形區分.綜上分析，得到算法的實現流程如圖4所示.

3 仿真實驗與結果分析

為了驗證本文方法在實現英語動詞同形區分中的應用性能，進行實驗測試分析，英語動詞同形區分的參數決策指標分布見表1.

根據上述參數尋優結果，結合屬性聚類分析方法進行英語動詞的同形特征演化分析，得到優化動詞同形區分結果見表2.

采用簡單子句歸結法進行英語動詞同形區分過程中的最佳語法分析和同形特征校驗，測試區分的準確性，得到結果如圖5所示.

分析上述仿真結果得知，采用該方法進行英語動詞同形區分的適應度較高，區分的準確性較高.

4 結語

建立英語動詞同形多級知識結構模型，結合語義領域的本體模型設計方法，進行英語動詞同形區分，本文采用語義本體特征構造方法進行英語動詞同形特征分離，在最大語義相關度約束下，采用最小屬性特征劃分的方法，進行英語動詞同形結構組合分析，采用簡單子句歸結法進行英語動詞同形區分過程中的最佳語法分析和同形特征校驗，采用多級知識表示結構進行英語動詞同形區分，結合語義相關度分析方法進行英語動詞同形區分的語法分析和語義邏輯分析，在最佳語法分析方案下實現英語動詞同形區分.分析得知，采用本文方法進行英語動詞同形區分的適應度較高，區分的準確性較高，具有很好的應用價值.

參考文獻：

〔1〕周孝青，段湘煜，俞鴻飛，張民.多層信息融合的神經機器翻譯[J].廈門大學學報（自然科學版），2019，58（02）：149-157.

〔2〕王卓，余正濤，文永華，高盛祥，吳飛.融合詞匯翻譯概率的漢越神經機器翻譯方法[J].昆明理工大學學報（自然科學版），2019，44（01）：54-60.

〔3〕于超，王璐，程道文.基于本體的教育資源語義檢索系統研究[J].吉林大學學報（信息科學版），2018，36（02）：207-212.

〔4〕吳飛龍，程承旗，陳波，等.基于剖分網格的多源資源環境數據統一檢索方法[J].武漢大學學報（信息科學版），2017，42（07）：943-949.

〔5〕燕蜻.基于二元語義的電子商務網站評價研究[J].圖書情報工作，2010，54（10）：139-142.

〔6〕龐錦平，陳永亮，劉譜等.立式磨床橫梁結構優先設計與比較研究-基于模糊綜合評價法、TOPSIS法和灰色關聯分析法[J].工程設計學報，2013，20（2）：89-95.

〔7〕阮詩蕓.中國網絡文學的海外傳播對翻譯研究的啟示[J].燕山大學學報（哲學社會科學版），2019，20（01）：11-18.

〔8〕吳江，唐常杰，李太勇，崔亮.基于語義規則的Web金融文本情感分析[J].計算機應用，2014，34（2）：481-485.

〔9〕余傳明，馮博琳，田鑫，安璐.基于深度表示學習的多語言文本情感分析[J].山東大學學報（理學版），2018，53（03）：13-23.

〔10〕安靜.基于依存句法分析與序列標注的英文長句機器翻譯[J].蘭州理工大學學報，2018，44（01）：100-103.