Abstract
本篇論文主要係建構一個自然語言認知系統 ( Natural LanguageUnderstanding System; NLU Sytem).此系統是由一個詞類標記器 (part-of-speech tagger)、語法剖析器 (parser) 及一個語意解析器所組成。在此自然語言認知系統中，句子的語意是由稱為「正歸化形態 (NormalForm)」的深層結構來表示。 此正歸化形態可以表示組成句子的片語之語意角色 (themantic roles)，片語之間的關係亦可以明白的由此正歸化形態來表示。而且，有意義詞 (content words) 的詞義 (word senses) 也在此正歸化形態中表示。此外，本文亦提出一個結構正歸化的程序使得用不同的變異語法樹結構可以用相同的正歸化形態來表示。關於此自然語言認知系統的處理模組的結合，本文提出一個結合評分函數 (IntegratedScore Function)。此結合評分函數可以使得構詞、詞類、剖析及語意的知識很有效的結合以解決不同層次的岐義。以此結合評分函數為底，推導的評分函數包括詞類評分函數 (lexical score)、語法評分函數(syntactic score)、語意角色評分函數 (case score) 及詞義評分函數(sense score)等。為了辨認語意角色及分辨詞義，不同的語意角色評分函數及詞義評分函數的模型亦於本文中提出討論。為了減少估計誤差(estimation error)，Good- uring 的參數平滑 (parametersmoothing) 技術在本文 也運用來改進系統效能。此參數平滑技術已顯示對系統蠕鄋漣龠i有不錯的結果。最後，本文推導一個強健性及異O力取向的適應性學習理論 (robustness andiscrimination oriented adaptivelearning algorithm)N誤差率 (error rate) 減到最少。結果顯示此適應性學習z論對於系統效能改進非常有效。 相對於基準系統baselinesystem) 而言，正歸化形態有 15.2% 的改進誤差減少率 (errorreduction rate) 18.1%)；詞義有.4% 的改進 (誤差減少率 17.4%)； 語意角色結構有25.8%漣龠i (誤差減少率 34.5%)；剖析的效能有20.7% 的改進誤差減少率 47.4%)。另外，對於剖析器而言，剖析的效能□50.1%提昇到 77.0%，此改進量相當於 53.9% 的誤差減眵v。由這些效能的提昇效果顯示，本篇論文所提出的模型峔t統效能改進的方法很適合於解決深層結構岐義的問題。