自然语言生成认知状态的统计模型

为了使机器人能够使用各种设置，它们需要能够与人类无缝通信。因此，近年来，研究人员一直在开发越来越多的高级计算模型，这些模型可以使机器人处理人类语言并制定适当的反应。

机器应该掌握的人类语言的一个重要方面是代词在句子中的使用。根据一种被称为“给定层次”(GH)的语言理论，人类根据受众头脑中对客体“认知状态”的隐含假设来选择代词使用。例如，如果说话者假设他们的目标对象在当前对话中处于“焦点”(这是一种认知状态)，他们可以选择使用代词“它”。

科罗拉多矿业大学MIRRORLab的研究人员最近在一篇关于arXiv的预发表论文中提出了两个认知状态模型。第一种模型是基于理论规则的有限状态机模型，直接从GH文献中得知，第二种模型是统计概率模型(认知状态滤波器)，用于预测不确定条件下物体的认知状态。

“我的顾问tomWilhemlms博士和他的同伴已经开始使用认知状态的概念来帮助机器人自然语言理解(NLU)，观众必须根据目标的认知状态/引用形式信息来识别目标对象”，进行这项研究的研究人员之一PoulomiPal告诉TechXplore。“我们最近这篇论文的主要思想/目的是基于学科层次(GH)的语言学理论，创建一个认知状态过滤的计算模型，从而达到自然语言生成(NLG)的目的，更具体地说，是改善机器(如it、this、that等)的代词用法。)."

Pal和她的同事提出的第一个模型是有限状态机(FSM)模型，它根据GH文献中列出的规则生成对象的认知状态。本文介绍的第二个模型是认知状态过滤器(CSF)，它可以从文本数据中自动学习这些规则。然后，研究人员基于通过在线亚马逊机械土耳其人平台收集的数据，对他们的脑脊液模型进行了训练和评估。

在CSF模型的实验设计过程中，研究人员使用了OFAI多模态任务描述语料库的白银标准英文翻译的子集，该语料库是人和机器人之间多模态交互的集合。他们发现，CSF在处理不确定性方面要优于FSM模型，因为CSF不遵循预先建立的规则，而是直接从其分析的数据中获取规则。

Parr说：“我们的结果表明，脑脊液模型预测物体认知状态的准确性略好于理论上的FSM模型。”“与基于规则的理论模型相比，CSF模型在尝试评估受试者的认知状态时(尤其是数据量较大时)可能更为可取，因为它可以从数据中自动学习规则。”

Parr和她的同事设计的CSF模型最终可以通过提高人类和机器人在会话中使用代词的能力来帮助增强人类和机器人之间的自然语言交互。未来，这些发现可能会启发其他团队基于其他研究领域，如计算语言学或认知心理学，开发类似的机器人应用模型和类似的技术。

Parr说：“我们相信，开发一个像CSF这样的计算模型将有助于通过认知知识促进自然语言的生成和理解。”“我的进一步研究计划包括GH信息回指生成模型的开发和实现，该模型在选择不同的NLG引文形式时，考虑了使用CSF模型的对象的认知状态。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！