自然语言抽象语义关系验证方法及装置

本技术属于自然语言处理，尤其涉及自然语言抽象语义关系验证方法及装置。

背景技术：

1、不论是在科学研究中还是在日常生活中，好奇心都驱动人们探究两个实体或抽象概念之间的关联性，以尝试了解事物背后更根本的内涵。这种内涵的领悟加深了人们对世界的理解，进而激发了人类的创造力。小到生活中的实用技巧、趣味玩具，大到科学发现、技术进步，无一不是这种创造力的体现。

2、对于科学研究，尤其是自然科学研究而言，研究对象往往是可测可量化的，物理公式可以用于描述这些事物间的关系，但对于自然语言处理而言，自然语言的语义中相当大的一部分是不可测的抽象概念，如何建立自然语言多个抽象语义之间的联系成为了需要解决的技术问题。

技术实现思路

1、本技术实施例提供了自然语言抽象语义关系验证方法及装置，可以解决自然语言抽象语义的关联问题。

2、第一方面，本技术实施例提供了一种自然语言抽象语义关系验证方法，包括：

3、基于指定自然语言文本获取多个第一变量，并构建所述第一变量的观测模型；所述第一变量是根据指定研究的目的确定的不可测抽象语义，所述指定研究以所述自然语言文本为研究对象，所述观测模型用于构建所述第一变量与观测变量的相关性，所述观测变量为可测变量；

4、根据所述指定研究的目的，有向连接至少两个所述第一变量得到研究路径；所述有向连接指示相邻的所述第一变量间的预估逻辑关系；

5、结合第一因素和第二因素输出所述指定研究的结论；

6、其中，所述结论包括多个所述研究路径中的每一个的机制解释；所述第一因素包括：基于语义理解模型提取的、所述自然语言文本支持或不支持所述研究路径的证据；所述第二因素包括：根据所述观测变量之间的关系回归得到的、所述研究路径中所述第一变量之间预估逻辑关系的显著性；所述语义理解模型是基于样本训练得到的机器学习模型。

7、上述方法通过可测的观测变量描述不可测的抽象语义，并基于可测的观测变量回归得到指定语义之间关系的初步结论，同时，通过语义理解模型提取文本中的语义证据，充分地利用了自然语言文本中的可测信息和不可测信息，并结合两者得出可靠性更高的关联性结论。

8、在第一方面的一种可能的实现方式中，所述结合第一因素和第二因素输出所述指定研究的结论的步骤包括：

9、以所述自然语言文本和所述研究路径为输入，运行所述语义理解模型，在所述自然语言文本中提取第二变量；所述第二变量是与所述第一变量同向或反向的语义表达；

10、根据一个或多个所述第二变量确定所述自然语言文本支持或不支持多个所述研究路径中的任一个的证据；

11、以所述研究路径中各所述第一变量的所述观测模型、所述研究路径中各所述第一变量间的预估逻辑关系以及所述研究路径与所述证据间的关联权重建立矩阵，并回归分析所述矩阵以得到所述结论。

12、上述方法通过关联权重量化了证据的效力，使得通过语义理解模型提取得到的抽象语义信息被整合至回归模型，通过回归的方式得到最终结论，对于区分度不佳的自然语言文本（例如，没有明确的自然语言表达主体信息、没有时序信息等）而言，该方法可以利用语义理解模型整体地提取自然语言中的证据信息，虽然这些证据单独的效力并不足够，但只要自然文本体量足够提取到足够多的证据，其配合观测模型的回归拟合结果可以得到统计学意义上可靠的结论。

13、在第一方面的一种可能的实现方式中，所述结合第一因素和第二因素输出所述指定研究的结论的步骤包括：

14、以所述研究路径中各所述第一变量的所述观测模型和所述研究路径中各所述第一变量间的预估逻辑关系建立矩阵，并回归分析所述矩阵以得到所述研究路径中所述第一变量之间预估逻辑关系的显著性结果；

15、以所述显著性结果为约束、以所述自然语言文本为输入，运行所述语义理解模型，得到所述研究路径的证据和解释；其中，所述证据包括支持证据、冲突证据以及中性证据中的至少一个。

16、上述方法通过观测模型回归得到的显著性结果约束语义理解模型运行，使得机器学习模型运行时的输入数据具备更多信息，即除自然语言文本外，还增加了来自观测变量的可量化信息，从而可以得到更为精准的证据信息，进而更好地支持所述结论。

17、在第一方面的一种可能的实现方式中，所述以所述显著性结果为约束、以所述自然语言文本为输入，运行所述语义理解模型，得到所述研究路径的证据和解释的步骤包括：

18、编码化所述研究路径，得到第一编码结果；所述第一编码结果包括路径编号、路径中包括的所述第一变量、路径中包括的所述第一变量的序号、所述有向连接的方向以及所述显著性结果；

19、拆分并编码化所述自然语言文本，得到多个第二编码结果；所述第二编码结果是所述自然语言文本中的最小完整语义单元，且所述第二编码结果包括文本编号、分析主体、时间信息和文本内容；

20、将所述分析主体相同的所述第二编码结果和所述第一编码结果作为输入，运行所述语义理解模型，得到所述第一编码结果对应的所述研究路径的证据和解释。

21、上述方法的优势在于：对于区分度较佳的自然语言文本而言，如果整体地处理，则一些隐含信息可能被忽略（例如，同一表达主体输出的观点具备连续性的概率更高，时间更早的文本对应的实体更可能导致时间更晚的文本对应的事件等），该方法对观测变量仍然使用回归方式，并将回归结果以约束的方式融合至语义理解模型输入信息中，为语义理解模型的灵活应用提供了基础，例如，使用者可以根据自然语言文本的区分形式自由切割文本，分次输入语义理解模型得到多组不同视角的证据，也可以通过增加区分约束的方式调用语义理解模型输出更合理的证据。

22、在第一方面的一种可能的实现方式中，所述构建所述第一变量的观测模型的步骤包括：

23、获取对应于所述第一变量的第三变量；序号为的所述第三变量是序号为的所述第一变量的某种测量；

24、获取测量的可靠性量化值，并根据所述可靠性量化值构建所述第一变量的观测模型：

25、

26、其中，为序号为的所述第一变量对应的观测变量构成的矩阵，为所述可靠性量化值满足预设条件的，为变量载荷矩阵，为误差项，所述可靠性量化值包括信度、效度以及区分度中的至少一个。

27、上述方法通过线性观测模型表示第一变量，线性回归的简单性使得大数据量下的拟合难度仍然可控，两个元素间可能的逻辑关系并不复杂，使用线性回归拟合的结果足够准确。

28、在第一方面的一种可能的实现方式中，所述第一变量包括外生第一变量和内生第一变量，所述外生第一变量是不受其它变量影响的变量，所述内生第一变量是受其他变量影响的变量；

29、所述观测模型包括用于构建所述外生第一变量与外生观测变量的外生观测模型和用于构建所述内生第一变量与内生观测变量的内生观测模型：

30、

31、

32、其中，、分别为外生变量载荷矩阵、内生变量载荷矩阵，、分别为外生模型测量误差向量、内生模型测量误差向量；

33、所述显著性基于结构方程回归得到，所述结构方程满足：

34、

35、其中，为所述内生第一变量之间的路径系数矩阵，为所述外生第一变量之间的路径系数矩阵，为结构误差向量。

36、上述方法在回归的基础上，区分考虑内外生变量以建立更明确的因果关系（逻辑关系的一种，较弱的因果性也可以在统计上被理解为相关性），在构建了变量之间的逻辑方向（因指向果）的同时，还区分了内外生变量的误差，由于二者性质的不同，变量对应的误差可能也不同，从而可以提升模型的精准性。

37、第二方面，本技术实施例提供了一种自然语言抽象语义关系验证装置，包括：

38、观测模型模块，用于基于指定自然语言文本获取多个第一变量，并构建所述第一变量的观测模型；所述第一变量是根据指定研究的目的确定的不可测抽象语义，所述指定研究以所述自然语言文本为研究对象，所述观测模型用于构建所述第一变量与观测变量的相关性，所述观测变量为可测变量；

39、逻辑预估模块，用于根据所述指定研究的目的，有向连接至少两个所述第一变量得到研究路径；所述有向连接指示相邻的所述第一变量间的预估逻辑关系；

40、结论模块，用于结合第一因素和第二因素输出所述指定研究的结论；

41、其中，所述结论包括多个所述研究路径中的每一个的机制解释；所述第一因素包括：基于语义理解模型提取的、所述自然语言文本支持或不支持所述研究路径的证据；所述第二因素包括：根据所述观测变量之间的关系回归得到的、所述研究路径中所述第一变量之间预估逻辑关系的显著性；所述语义理解模型是基于样本训练得到的机器学习模型。

42、第三方面，本技术实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的自然语言抽象语义关系验证方法。

43、第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的自然语言抽象语义关系验证方法。

44、第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的自然语言抽象语义关系验证方法。

45、可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。