Эволюция
лингво-семантических представлений в интеллектуальных системах на основе
расширенных семантических сетей
Evolution of Linguistic Semantic Presentations in the
Intelligent Systems Based on the Extended Semantic Networks
Козеренко
Елена Борисовна (kozerenko@mail.ru),
Кузнецов
Игорь Петрович (igor-kuz@mtu-net.ru)
Институт проблем информатики РАН, Москва
В
работе рассматриваются вопросы проектирования и развития
семантико-синтаксических и лексико-семантических представлений в
лингвистических процессорах ряда систем, основанных на аппарате расширенных
семантических сетей (РСС). Системы этого класса, далее, РСС-системы, создаются
для извлечения знаний из текстов на естественных языках, отображения
извлеченных сущностей и связей в структуры базы знаний и использования знаний для
поддержки экспертных аналитических решений в различных сферах приложения. В
фокусе внимания находятся инженерно-лингвистические представления, позволяющие
построить целостную работающую лингвистическую модель, которая модифицируется в
зависимости от конкретной задачи: от "тяжелой" формы на основе
детальных глубинных представлений до фокусных редуцированных оболочек,
настроенных на узкую предметную область и ограниченный язык общения. Особое
внимание уделяется способам описания дистрибутивно-трансформационных признаков
языковых объектов.
1. Введение
Данная работа посвящена вопросам создания
инженерно-лингвистических моделей естественного языка для построения
лингвистических процессоров различных классов информационных систем. В центре нашего внимания находятся
интеллектуальные системы, разработанные на основе аппарата расширенных
семантических сетей (РСС). Интеллектуальные РСС-системы содержат развитые базы
знаний, при этом знания представлены в виде РСС-структур. Лингвистические
знания, таким образом, являются частным случаем «знаний» и также представлены в
виде записей на языке расширенных семантических сетей. Основным конструктивным
элементом РСС является именованный N-местный предикат,
называемый «фрагментом». Все множество языковых объектов задается в виде
системы предикатно-актантных структур, при этом поддерживаются механизмы
представления вложенных структур, что дает очень мощные изобразительные
возможности для описания объектов
различных языковых уровней. Очень важным фактором является однородность и
единообразие лингвистических представлений.
В процессе анализа и синтеза предложений естественного
языка используется формально-грамматический аппарат, сходный с грамматиками
зависимостей. При этом подходе опорными
элементами являются языковые объекты,
выполняющие роль предикатов в предложении, и результатом анализа предложения
должен стать один предикат,
соответствующий сказуемому рассматриваемого предложения (т.е. основному
глаголу в личной форме или другому основному предикатному выражению). Таким образом, в процессе анализа, в первую
очередь, происходит выявление «слов-действий» и «слов-отношений», т.е. глаголов
и других слов, имеющих синтактико-семантические валентности. Примером «слов-отношений»
могут служить, например, слова «отец», «друг», и т.п., то есть в данном случае
«отношения» - это слова, которые задают сильные четко выраженные
синтактико-семантические ожидания.
Семантический анализ в инженерно-лингвистическом
понимании – это процесс перевода естественно-языковых выражений во «внутренние»
структуры базы знаний (БЗ), в нашем случае этими «внутренними» структурами
будут записи на языке РСС. Таким
образом, структуры БЗ – это код смысла в интеллектуальных информационных
системах.
В работе рассматриваются инженерно-лингвистические решения
в системах с «полным» лингвистическим анализом – ДИЕС1, ДИЕС2, Логос-Д и
системах с «фактографическим» подходом – интеллектуальных системах поддержки
аналитических решений (ИСПАР), где целью анализа является выделение сущностей и
связей из текстов.
2. Концептуально-лингвистическое
моделирование в
РСС-системах
2.1.
Основные аспекты семантического моделирования
Концептуально-лингвистическое моделирование (КЛМ) – это
процесс построения естественно-языковой модели предметной области (ПО)
(Рис.1), синтезирующий в себе
подходы концептуального и
лингвистического моделирования [1-3]. Построение концептуально-лингвистической модели некоторой ПО,
подразделяется на следующие
этапы:
- построение
собственно концептуальной модели, т.е. вычленение базовых понятий,
организация их в
родо-видовые деревья и определение связей между ними;
- разработка
идеографического
словаря предметной области, т.е. лексическое наполнение концептуальной модели;
- ввод базовых правил, описывающих
на естественном языке
"модель мира", релевантную для данной ПО.
┌──────────────────────────────┐
┌─────┤1. Анализ исследуемых текстов
│
│
└──────────────────────────────┘
│
│ ┌──────────────────────────────┐
└────>┤2. Выделение основных понятий,│
┌─────┤ процессов и характеристик │
│
└──────────────────────────────┘
│
│
┌──────────────────────────────┐
└────>┤3. Конструирование модели ПО и│
│
словаря на основе базовой │
┌─────┤ "модели мира" │
│
└────────────────┬─────────────┘
│
┌───────────┴──────────────┐
│ │ Базовая "модель
мира" и │
│ │ модель языка │
│
└──────────────────────────┘
│
│
┌─────────────────────────────────┐
└────>┤4. Построение модели
родо-видовых│
┌─────┤ отношений между понятиями ПО │
│
└─────────────────────────────────┘
│
┌─────────────────────────────────┐
└────>┤5. Формулирование
ситуационных │
│ правил в виде причинно- │
│ следственных зависимостей │
└─────────────────────────────────┘
Рис.1. Процесс концептуально-лингвистического
моделирования.
Методика
концептуально-лингвистического моделирования на основе аппарата РСС базируется
на следующих принципах:
·
модель должна быть
"открытой", то есть
поддерживать эффективный механизм расширения и обновления информации;
·
модель представления
"смысла" должна учитывать факты экстралингвистической реальности, которые
в виде правил и отношений составляют некоторую
базовую "модель мира",
достраиваемую конкретными
моделями предметных областей;
·
модель должна
быть практичной, то
есть не перегруженной детальными
описаниями связей и отношений между понятиями, чтобы обеспечить возможность ее
реализации, но в то же время, отражать всю релевантную для
конкретной задачи информацию.
Реалистичный подход к
постановке задачи диктует необходимость ограничения моделируемого подмножества естественного языка. Суть
ограничений сводится к следующему:
-
во-первых, анализируемые текстовые
материалы содержат экспертные знания из конкретных предметных областей (диагностика брака
при изготовлении микросхем, социальное
прогнозирование, и др.);
- во-вторых, в
целях максимально возможного устранения неоднозначности, словарь
строится по модульному принципу: есть
некоторая наиболее общая часть (1-2 уровня),
которая достраивается
специальными словарями для каждой отдельной предметной области.
Предлагаемая модель лексической семантики основана на принципе "ядерного"
значения, реализуемого в
контексте данной предметной области, с последующим индуктивным наращиванием других
значений (если они актуализируются в
рассматриваемых контекстах). Также
используется таксономия которая реализуется в виде
иерархических деревьев классов слов.
Общая "модель
мира" системы служит основой для моделей ПО. Элементами этой модели являются классы слов, которые подразделяются на - понятия / имена, -
отношения, - действия, - свойства, - характеристики действий, - временные и пространственные
характеристики.
Самым общим
понятием является концепт, или универсальный класс, который
подразделяется на объект, ситуацию,
процесс и др.
Слова, относящиеся
к классам действий
и отношений, представлены как семантико-синтаксические
фреймы, задающие предикатно-актантные
структуры (модель управления). На Рис. 2 представлен фрагмент описания глагола
в семантическом словаре. Однако, в описываемом
подходе (назовем его РСС-подход) существенно расширена область
значений актантов. Суть
расширения состоит, во-первых, в
том, что в
роли актантов могут выступать не
только простые объекты,
соответствующие отдельным словам,
но и структурные объекты,
представляющие словосочетания и фразы,
а во-вторых, в том,
что понятие
"падежа" включает в себя не
только семантические, но и
синтаксические признаки.
{(ВЫРАБАТЫВА895__)(DICSEM)
COORD(PROGNOZ1,RUS,ВЫРАБАТЫВА895__,S50_31_51_20,%) SUB(UNIV,0+) SUB(UNIV,1+) SUB(UNIV,2+)
ВЫРАБАТЫВ(0-,1-,2-/3+)
INFI(3-) ПРИДЕТСЯ(3-) ПРИДЕТСЯ(3-/4+) FUT1(4-) SUB(СРЕД,5+)
Рис.
2. Пример записи представления глагола вырабатывать в семантическом
словаре.
Подход,
основанный на РСС,
позволяет отражать произвольный уровень
вложенности структур за
счет пропозициональных
вершин семантической сети,
что обеспечивает
представление сложных синтаксических конструкций фраз ЕЯ, а также позволяет отразить
структурный характер лексической семантики,
которая в предлагаемой модели имеет
иерархически-сетевую структуру.
2.2. Аппарат РСС - основа концептуально-лингвистического
моделирования
Дадим краткое
описание аппарата расширенных семантических сетей и дадим
обоснование выбора именно этого метода
представления для моделирования естественного языка. Классическое понятие семантической сети
сводится к следующему: задаются
некоторые вершины, соответствующие объектам. Вершины
связываются дугами, на которые
вешаются метки отношений. Однако,
с помощью подобных
сетей оказывается трудно представлять
сложные виды информации,
например, когда объекты, связанные
отношениями, образуют
агрегаты, и когда
отношения связываются между
собой отношениями и др.
Поэтому в сети вводятся вершины, соответствующие именам отношений, а также специальный композиционный элемент,
называемый вершиной связи. Вершина связи как бы «разрывает» дугу и
подсоединяется одним ребром к вершине-отношению, а
другими ребрами - к вершинам-объектам. РСС является развитием такого
сорта сетей в
направлении повышения изобразительных возможностей при сохранении
свойства однородности.
Основой РСС является множество вершин
(V), из
которых составляются элементарные фрагменты (ЭФ) следующего вида:
V0(V1,V2,...,Vk/Vk+1), где
V0,V1,V2,...,Vk,Vk+1 V, k > 0.
Такой
фрагмент представляет k-местное
отношение. Позиции вершин в
элементарных фрагментах (ЭФ) определяют их роли. Вершина V0 ставится в соответствие
имени отношения, вершины V1,V2,...,Vk - объектам, участвующим в
отношении, а вершина Vk+1, отделенная
косой линией (/),
- всей совокупности упомянутых
объектов с учетом их отношения. В
дальнейшем будем Vk+1 называть C-вершиной ЭФ. Множество ЭФ образуют расширенную
семантическую сеть (РСС). С помощью РСС представляются наборы
отношений, различные ситуации, сценарии. Сильной стороной РСС-подхода
является возможность
однородного представления как предметной (концептуальной), так и
лингвистической информации, что
обеспечивает эффективную
обработку знаний и
поддержание непротиворечивости
базы знаний.
Посредством РСС
в базе знаний
представлены лингвистические
(ЛЗ) и предметные
знания (ПЗ). Обработка этих
знаний осуществляется продукциями
языка ДЕКЛ, на котором реализованы следующие шесть
блоков: морфологического анализа (МА), семантического
анализа слов (САС), синтактико-семантического анализа форм (ССА), прагматических функций
(ПФ), организации системной
активности (БА) и обратный лингвистический процессор (ОЛП). С помощью продукций
осуществляется последовательное преобразование сети - РСС. При
этом проходятся фазы,
соответствующие уровню понимания
входного текста. Рассмотрим их.
1. На
первом шаге анализа
происходит построение
пространственной структуры предложения
с морфологической
информацией для каждого
слова. Каждый член
предложения представляется вершиной семантической сети. Вместо слова
- генерируется код
(если слово многозначно, т.е. принадлежит к нескольким классам, - то более одного кода). Основой кода служит корень слова. На этом этапе предложение представляется в
виде набора фрагментов
типа LRR, объединяемых в целостную
структуру посредством вершины связи (Рис. 3). Результат 1-го этапа
постоянно обращается к
словарю: "Что значит данное слово?"
O
┌───────────────┘│││└─────────────────┐
W1 │
W2┌────┘│└W3──────┐
W4 │ W5
│ │ │ │ │ │ │ │ │ │
3 4 3 4
4 3 4 3 4 3
┌─────┐ ┌─┴─┤ ┌─┴─┤ ├─┴─┐ ├─┴─┐ ├─┴─┐ ┌───┐
│BEGIN├──O─1┤LRR├─5─O─1─┤LRR├5─O─1┤LRR├5─O─1┤LRR├5─O─1┤LRR├5─O──┤END│
└─────┘ └─┬─┘ └─┬─┘ └─┬─┘ └─┬─┘ └─┬─┘ └───┘
2 2 2 2 2
│ │ │ │ │
O
она─>O<─ед.ч.
O<─наст. O
он─>O<─
ед.ч.
│ it
│ sing. │
вр. │
it │ sing.
-ый кто, дейст.
-ый что,
что act
-ual кого
1-st 2-nd
position position
Рис. 3. Предложение
представлено в виде набора
фрагментов типа LRR.
2. На
втором этапе каждой
вершине сопоставляется
семантический класс и присваивается новый
код. За словами (т.е.
конкретными вершинами РСС)
система видит объекты, действия, свойства
- то есть,
строит классификации.
Производится
семантико-синтаксический анализ
без выявления глагольных словоформ, при
этом предложение представляется в виде совокупности фрагментов
типа SEM и SEMD (Рис.3, 4).
┌─────┐ ┌───┐ ┌───┐
┌────┐ ┌───┐ ┌───┐ ┌───┐
│BEGIN├─O─┤SEM├─O─┤SEM├─O─┤SEMD├─O─┤SEM├─O─┤SEM├─O─┤END│
└─────┘ └───┘ └───┘
└────┘ └───┘ └───┘ └───┘
Рис. 4. Семантико-синтаксический
анализ без выявления глагольных словоформ.
3.
На третьем этапе
происходит частичное "сворачивание" синтаксических структур
в более компактные
(например, свойство объекта и сам
объект) с присваиванием нового кода, и строится
фрагмент для объекта, обладающего
эти свойством.
4.
На четвертом этапе выявляются
отношения и действия
и производится анализ непосредственного контекста на соответствие
заданным семантическим падежам. Система
смотрит, подходят ли объекты (концепты,
понятия) на аргументные места данного действия или отношения.
При этом отглагольные существительные ("делатель" -
т.е. агент действия, или "делание"
- процесс, анализируются как слова с двойной
природой - вначале
как действия, а затем
как объекты). Результатом этого этапа является целостная
семантическая структура предложения, которая представляется
фрагментом типа SEMSTR (Рис. 4).
5.
На пятом этапе
происходит анализ прагматики: установление кореференциальных отношений, частичное восстановление эллиптических
конструкций, система производит дальнейшие действия с построенными фрагментами.
Программная Концептуальный
система ВКЛЮЧАЕТ уровень
│ │ │
O O O
┌─┴──┐
┌──┴──┐ ┌─┴──┐
<────┤
SEM├─────>O<────┤SEMD
├─────>O<────┤SEM
├──────>
└────┘
└─────┘ └────┘
│ 1
┌────────────┐ 2
│
└─────────<──┤
ВКЛЮЧАЕТ
├───>──────┘
└────────────┘
┌─────┴─────┐
O<────────┤ SEMSTR
├───────>O
└───────────┘
Рис.
5. Целостная семантическая структура
предложения.
ДИЕС
допускает ввод полисемичных форм глаголов. Для этого следует воспользоваться
формальной записью лингвистических знаний. Например, можно ввести запись: ВЗЯЛ/-
ДЕЙСТВИЕ, КОГО-ЧЕЛОВЕКА ЗА ЧТО-ПРЕСТУПЛЕНИЕ.
Тогда
ДИЕС будет понимать предложения типа ИВАНА ВЗЯЛИ ЗА КРАЖУ и другие предложения
такого типа. Но ДИЕС будет отличать это действие от других значений глагола
ВЗЯТЬ, например, ВЗЯТЬ КНИГУ. Итак,
в системах, основанных
на РСС все
функции реализованы на единой
основе - в рамках языков РСС и ДЕКЛ, которые были
разработаны с ориентацией
на задачи обработки
естественного языка.
3. Представление семантики глаголов, глубинные и
поверхностные структуры
В процессе анализа выявляются семантические вершины
предложения - происходит выявление
«слов-действий», т.е. глаголов и «слов-отношений». Что же является конструктивной основой
задания семантических представлений предикатных слов и выражений? Как
убедительно показано в работе Ю.Д. Апресяна «Экспериментальные исследования
семантики русского глагола» [4], семантика глагола определяется его
дистрибутивно-трансформационными свойствами.
Поэтому смысл предикатных выражений должен кодироваться с учетом их дистрибутивных и трансформационных
признаков.
Выдвинутая рядом лингвистов гипотеза (Хомский, Филлмор)
[5-8] о том,
что все предложения
имеют глубинные и поверхностные структуры, явилась очень продуктивным
источником проектных решений. В
теоретико-лингвистическом понимании глубинная
структура - это абстракция, содержащая
все элементы, необходимые
для образования поверхностных структур
предложений со сходной семантикой. В инженерно-лингвистическом понимании
глубинная структура – это запись на языке БЗ, например, на РСС, которая может
быть представлена в «поверхностном» виде на одном из естественных языков в
результате конечного числа определенных преобразований. Например, предложения
(1) The dog chases the cat. (2) The cat is chased by the dog.
имеют истоком одну глубинную структуру:
DOG
<─────────────
CHASE
───────────────>
CAT
agent object
хотя и отличаются своими
поверхностными структурами. В каждом из них имеется агент (the dog), объект
(the cat), и действие (chase). Согласно концепции
"падежной грамматики" Филлмора [5], глубинная структура для
обоих предложений может быть
описана диаграммой в виде дерева зависимостей (Рис. 5):
S
┌───────────┴─────────────────────┐
MOD PROP
│
┌────────────┬────────────┴────────┐
│ V OBJ AGENT
│ │
┌─────┴─────┐
┌───┴────┐
│ │ K NP K NP
│ │
┌──┴──┐ ┌──┴──┐
PRES chase the cat
the dog
Рис.
6. Глубинная структура предложений.
В
исходном виде [5] теория признавала шесть падежей:
агентив, инструменталис, датив,
объектив, локатив и фактитив.
По мере развития теории [8] происходило
увеличение числа падежей, однако «умножение»
количества падежей утяжеляет первоначальную конфигурацию, поэтому
при построении инженерных семантических представлений требуется
некоторый "компромиссный"
вариант, сочетающий в
себе необходимую полноту, с одной
стороны, и простоту и гибкость, с другой.
4. Многоязычные системы
При
создании многоязычных систем мы обращались к европейским языкам. Очевидно, что
европейские языки обладают большим количеством общих правил,
чем любой из них с языками других групп. Но при этом все естественные
языки обладают общей структурой на самом
глубинном уровне. На этом уровне
располагаются главные элементы
естественного языка:
Предложение, Модальность, Пропозиция.
Моделирование смысловых
представлений - это процесс развивающийся в направлении
от поверхностных семантических структур - к глубинным.
Поиск такого внутреннего представления смысла
в условиях многоязычной ситуации является развитием
методов
концептуально-лингвистического моделирования на базе расширенных
семантических сетей. В настоящее время ведутся работы по выравниванию
параллельных текстов на основе РСС-подхода. На рисунке 7 представлен фрагмент первого
этапа лингвистического анализа в многоязычных системах.
e.g. A software system includes conceptual level.
│ │ │ │ │
W1 W2 W3
W4 W5
──O────────O───────O────────O───────────O────>
│ │ │ │ │
Программная
система включает концептуальный уровень.
(Где WN обозначает словоформу с номером
N, 1=<N<=5.)
Рис. 7. Первый этап анализа параллельных текстов
Ключевой задачей при разработке методов сопоставления
параллельных текстов является выявление и детальное описание тех языковых
трансформаций, которые имеют место при переводе естественно-языковых конструкций
с одного языка на другой [9], потому что далеко не всегда некоторое содержание
передается структурно-подобными средствами в текстах на разных языках.
Сравнительное исследование употребления различных частей речи в параллельных
текстах на разных языках дает основу для выявления и описания языковых трансформаций,
при этом центральной трансформацией является номинализация. Явление номинализации было исследовано в ряде работ
отечественных и зарубежных лингвистов [9-12]. Ближе всего к нашему пониманию
этого явления следующие определения номинализации: «конструкции… называются
номинализованными – в том смысле, что их естественно рассматривать как
результат номинализации конструкций с предикативным употреблением глаголов и
прилагательных»; «номинализация – это синтаксический процесс, который соотносит
предложения с именными группами». Выявление номинализованных конструкций в
параллельных научных и патентных текстах на русском, английском, французском и
немецком языках в научных и патентных текстах и сопоставительное описание
глагольно-именных межъязыковых трансформаций – одна из центральных задач наших
исследований.
5. Интеллектуальные системы поддержки аналитических
решений
Извлечение
знаний (фактографической информации) из текстов и построение интеллектуальных
систем поддержки аналитических решений (ИСПАР) требует проработки
лексико-семантических представлений, создания развитых тезаурусов и онтологий,
предметно-ориентированных семантических словарей [13-19]. Обобщенное
функциональное представление систем ИСПАР дано на Рис. 8. В рамках ИСПАР были реализованы
полномасштабные и пилотные проекты для ряда предметных областей:
криминалистики, управления кадрами, мониторинга финансово-экономического
кризиса, и других [18-19].
Рисунок 8. Обобщенное функциональное представление систем
ИСПАР.
6.
Заключение
Проблема извлечения и обработки знаний открывает
перспективы развития интеллектуальных направлений компьютерной лингвистики,
поскольку ее основной акцент смещен в сторону глубинных представлений языка, в
которых используются как грамматические (морфологические и синтаксические), так
и семантические атрибуты для описания языковых объектов. Проводимые нами
исследования параллельных текстов направлены также на рассмотрение этой
проблемы [20]. Центральное место в наших лингвистических исследованиях занимает
изучение и формализация процессов трансформации языковых структур, особенно все
варианты глагольно-номинативных трансформаций, создание развитых
дистрибутивно-трансформационных описаний предикатых структур для
рассматриваемых языков. Для систем ИСПАР дистрибутивно-трансформационные
описания имеют особое значение, поскольку таким образом задаются все возможные
способы перевода языковых структур в предикатно-аргументные представления,
которые затем используются в процедурах обработки знаний.
Литература
1. Кузнецов И.П.
Семантические представления // Москва: "Наука",
2. Козеренко Е.Б.
Концептуально - лингвистическое моделирование
в среде интеллектуального редактора знаний ИКС // "Проблемы проектирования и использования
баз знаний." Ин-т кибернетики им. В.М. Глушкова, Киев, 1992, с.73-79.
3. Kozerenko E.B. Multilingual Processors: a Unified Approach to
Semantic and Syntactic Knowledge Presentation // Proceedings of the International Conference on Artificial Intelligence
IC-AI'2001. H.R. Arabnia (ed.), Las Vegas, Nevada, USA, June 25-28, 2001.
CSREA Press, 2001, pp.1277-1282.
4. Апресян Ю.Д. Экспериментальное исследование
семантики русского глагола // Москва:
Наука, 1967, 252 с.
5. Филлмор Ч.
Дело о падеже // "Новое в зарубежной
лингвистике". Вып. X. М.:Прогресс, 1968, 369-495.
6. Хомский Н.
Аспекты теории синтаксиса // Москва: Изд-во МГУ, 1972.
7.
Хомский
Н. Язык и мышление//
Москва: Изд-во МГУ, 1972.
8. Fillmore C.
The case for case reopened // P. Cole &
J.Sadok, Eds. Syntax and Semantics. 1977.
Vol. 8. New York: Academic Press.
9. Жолковский А.К., И.А. Мельчук. О семантическом синтезе // «Проблемы
кибернетики», вып.
10. Падучева Е.В. О семантике синтаксиса. Материалы к
трансформационной грамматике русского языка. Изд. 2-е. // Москва:
КомКнига, 2007, 296 с.
11.
Jacobs R.A. and P.S. Rosenbaum. English Transformational Grammar. // Blaisdell, 1968.
12. Балли Ш. Общая лингвистика и вопросы
французского языка. Изд. 2-е, // Москва: УРСС, 2001.
13.
Cunningham H. Automatic Information Extraction // Encyclopedia of Language
and Linguistics, 2cnd ed. Elsevier, 2005.
14.
Han J. and Kamber, M. Data Mining: Concepts and Techniques // Morgan
Kaufmann, 2006.
15. FASTUS: a Cascaded Finite-State
Trasducerfor Extracting Information from Natural-Language Text. // AIC, SRI
International. Menlo Park. California, 1996.
16. Han J.,
Pei Y. Yin, and Mao R. Mining Frequent Patterns without
Candidate Generation: A Frequent-Pattern Tree Approach,” // Data Mining and Knowledge Discovery, 8(1),
2004, pp. 53–87.
17. Добров Б.В., Лукашевич Н.В. Онтологии для автоматической
обработки текстов: Описание понятий и лексических значений // Компьютерная
лингвистика и интеллектуальные технологии: Тр. междунар. конференции Диалог’06,
Бекасово, 31 мая – 4 июня
18. Kuznetsov I.P.,
Efimov D.A., Kozerenko E.B. Tools for Tuning the Semantix Processor
to Application Areas // Proceedings of ICAI'09, Vol. I. WORLDCOMP'09, July
13-16, 2009, Las Vegas, Nevada, USA. - CRSEA Press, USA, 2009. P. 467-472.
19.
Kuznetsov I.P., Kozerenko E.B., Kuznetsov K.I., Timonina N.O.
Intelligent System for Entities Extraction (ISEE) from Natural Language Texts
// Proceedings of the International Workshop on Conceptual Structures for Extracting
Natural Language Semantics - Sense'09, Uta Priss, Galia Angelova (Eds.), at the
17 International Conference on Conceptual Structures (ICCS'09), University
Higher School of Economics, Moscow, Russia, 2009. P. 17-25.
20.
Kozerenko E.B. INTERTEXT: A Multilingual Knowledge Base for Machine
Translation // Proceedings of the International Conference on Machine Learning,
Models, Technologies and Applications, June, 25-28, 2007, Las Vegas, USA. – Las
Vegas: CSREA Press, 2007. – p. 238 - 243.