【文章內(nèi)容簡介】 我們認為，目前首先要解決的是研究方法問題。傳統(tǒng)的研究方法在走兩個極端，從事自然語言處理的人認定 NLIDB 的核心技術是 “ 自然語言理解 ” ，而搞數(shù)據(jù)庫的人則總是不能跳出原有數(shù)據(jù)庫查詢的圈子，只能給出其實不需語言處理的菜單構造界面。我們認為，在研究方法上應定位于以數(shù)據(jù)庫語義為中心的思想。 NLIDB 處理的是數(shù)據(jù)庫這一特定領域的語言問題，它的直接處理目標是將自然語言表述的查詢轉換為數(shù)據(jù)庫查詢。如何將自然語言查詢與現(xiàn)存的數(shù)據(jù)庫語義信息結合，是解決這一處理目標的關鍵?；诖?，我們提出了基于數(shù)據(jù)庫語義的一整套語言處理邏輯來解 決 NLIDB 的一些關鍵問題，如基于數(shù)據(jù)庫語義的自動分詞、句法分析及數(shù)據(jù)庫查詢轉換，設計實現(xiàn)了一個自然語言查詢系統(tǒng) NChiql，對可移植性體系結構、領域知識的自動提取、中文自然語言查詢分析處理、受限中文查詢語言的設計實現(xiàn)與評估、智能界面管理等方面進行了多方位全面、系統(tǒng)的深入探索。NChiql 原型系統(tǒng)具有良好的可移植性、可用性、可適應性、魯棒性和智能性，它采用三層結構，可以直接嫁接在不同廠家的 DBMS 引擎上。 計算機處理自然語言的能力遠未達到人們的想像和期望，自然語言界面的可用性也遠不及圖形界面等其他類 型的界面。人們不得不問，為什么還要研究自然語言界面？目前，圖形界面雖然在直觀友好方面比原先的字符界面大大改進了，但使用者仍需要將腦中所想的（ What）轉化成如何操作（ How）來完成任務的執(zhí)行步驟。而新一代界面應該是 MTM（ MindToMachine）型，即將腦中所想的直接提交給機器來完成，人們只需關心 What，而無需關心 How。具體的有語音、手勢、虛擬空間等操作計算機的方式，而語音、手寫等交互方式都是以自然語言理解為基礎的。人們不斷追尋著這一夢想，但這需要計算機科學、語言學、思維科學等各學科的共同努力，相互 促進，不斷地將各學科的成果融合起來。 中文分詞技術 中文切詞 基本介紹 眾所周知，英文是以詞為單位的，詞和詞之間是靠空格隔開，而中文是以字為單位，句子中所有的字連起來才能描述一個意思。例如，英文句子 I am a student，用中文則為： “ 我是一個學生 ” 。計算機可以很簡單通過空格知道 student 是一個單詞，但是不能很容易明白「學」、「生」兩個字合起來才表示一個詞。把中文的漢字序列切分成有意義的詞，就是中文分詞，有些人也稱為切詞。我是一個學生，分詞的結果是：我 是 一個 學生。 中文切詞 技術特點 中文分詞技術屬于自然語言處理技術范疇，對于一句話，人可以通過自己的知識來明白哪些是詞，哪些不是詞，但如何讓計算機也能理解？其處理過程就是分詞算法。 現(xiàn)有的分詞算法可分為三大類：基于字符串匹配的分詞方法、基于理解的分詞方法和基于統(tǒng)計的分詞方法。 基于字符串匹配的分詞方法 這種方法又叫做機械分詞方法，它是按照一定的策略將待分析的漢字串與一個「充分大的」機器詞典中的詞條進行配，若在詞典中找到某個字符串，則匹配成功（識別出一個詞）。按照掃描方向的不同，串匹配分詞方法可以分 為正向匹配和逆向匹配；按照不同長度優(yōu)先匹配的情況，可以分為最大（最長）匹配和最?。ㄗ疃蹋┢ヅ洌话凑帐欠衽c詞性標注過程相結合，又可以分為單純分詞方法和分詞與標注相結合的一體化方法。常用的幾種機械分詞方法如下： 1. 正向最大匹配法（由左到右的方向）； 2. 逆向最大匹配法（由右到左的方向）； 3. 最少切分（使每一句中切出的詞數(shù)最小）。 還可以將上述各種方法相互組合，例如，可以將正向最大匹配方法和逆向最大匹配方法結合起來構成雙向匹配法。由于漢語單字成詞的特點，正向最小匹配和逆向最小匹配一般很少 使用。一般說來，逆向匹配的切分精度略高于正向匹配，遇到的歧義現(xiàn)象也較少。統(tǒng)計結果表明，單純使用正向最大匹配的錯誤率為 1/169，單純使用逆向最大匹配的錯誤率為 1/245。但這種精度還遠遠不能滿足實際的需要。實際使用的分詞系統(tǒng)，都是把機械分詞作為一種初分手段，還需通過利用各種其它的語言信息來進一步提高切分的準確率。 一種方法是改進掃描方式，稱為特征掃描或標志切分，優(yōu)先在待分析字符串中識別和切分出一些帶有明顯特征的詞，以這些詞作為斷點，可將原字符串分為較小的串再來進機械分詞，從而減少匹配的錯誤率。另一種方法是 將分詞和詞類標注結合起來，利用豐富的詞類信息對分詞決策提供幫助，并且在標注過程中又反過來對分詞結果進行檢驗、調整，從而極大地提高切分的準確率。 對于機械分詞方法，可以建立一個一般的模型，在這方面有專業(yè)的學術論文，這里不做詳細論述。 基于理解的分詞方法 這種分詞方法是通過讓計算機模擬人對句子的理解，達到識別詞的效果。其基本思想就是在分詞的同時進行句法、語義分析，利用句法信息和語義信息來處理歧義現(xiàn)象。它通常包括三個部分：分詞子系統(tǒng)、句法語義子系統(tǒng)、總控部分。在總控部分的協(xié)調下，分詞子系統(tǒng)可以獲得有關詞、句 子等的句法和語義信息來對分詞歧義進行判斷，即它模擬了人對句子的理解過程。這種分詞方法需要使用大量的語言知識和信息。由于漢語語言知識的籠統(tǒng)、復雜性，難以將各種語言信息組織成機器可直接讀取的形式，因此目前基于理解的分詞系統(tǒng)還處在試驗階段。 基于統(tǒng)計的分詞方法 從形式上看，詞是穩(wěn)定的字的組合，因此在上下文中，相鄰的字同時出現(xiàn)的次數(shù)越多，就越有可能構成一個詞。因此字與字相鄰共現(xiàn)的頻率或概率能夠較好的反映成詞的可信度?？梢詫φZ料中相鄰共現(xiàn)的各個字的組合的頻度進行統(tǒng)計，計算它們的互現(xiàn)信息。定義兩個字的互現(xiàn)信息，計算 兩個漢字 X、 Y 的相鄰共現(xiàn)概率?；ガF(xiàn)信息體現(xiàn)了漢字之間結合關系的緊密程度。當緊密程度高于某一個閾值時，便可認為此字組可能構成了一個詞。這種方法只需對語料中的字組頻度進行統(tǒng)計，不需要切分詞典，因而又叫做無詞典分詞法或統(tǒng)計取詞方法。但這種方法也有一定的局限性，會經(jīng)常抽出一些共現(xiàn)頻度高、但并不是詞的常用字組，例如「這一」、「之一」、「有的」、「我的」、「許多的」等，并且對常用詞的識別精度差，時空開銷大。實際應用的統(tǒng)計分詞系統(tǒng)都要使用一部基本的分詞詞典（常用詞詞典）進行串匹配分詞，同時使用統(tǒng)計方法識別一些新的詞，即將 串頻統(tǒng)計和串匹配結合起來，既發(fā)揮匹配分詞切分速度快、效率高的特點，又利用了無詞典分詞結合上下文識別生詞、自動消除歧義的優(yōu)點。 到底哪種分詞算法的準確度更高，目前并無定論。對于任何一個成熟的分詞系統(tǒng)來說，不可能單獨依靠某一種算法來實現(xiàn)，都需要綜合不同的算法。筆者了解，海量科技的分詞算法就采用「復方分詞法」，所謂復方，相當于用中藥中的復方概念，即用不同的藥才綜合起來去醫(yī)治疾病，同樣，對于中文詞的識別，需要多種算法來處理不同的問題。 中文切詞 技術難點 有了成熟的分詞算法，是否就能容易的解決中文 分詞的問題呢？事實遠非如此。中文是一種十分復雜的語言，讓計算機理解中文語言更是困難。在中文分詞過程中，有兩大難題一直沒有完全突破。 * 歧義識別。 歧義是指同樣的一句話，可能有兩種或者更多的切分方法。例如：表面的，因為「表面」和「面的」都是詞，那么這個短語就可以分成「表面 的」和「表面的」。這種稱為交叉歧義。像這種交叉歧義十分常見，前面舉的「和服」的例子，其實就是因為交叉歧義引起的錯誤。「化妝和服裝」可以分成「化妝 和服裝」或者「化妝 和服 裝」。由于沒有人的知識去理解，計算機很難知道到底哪個方案 正確。 交叉歧義相對組合歧義來說是還算比較容易處理，組合歧義就必需根據(jù)整個句子來判斷了。例如，在句子「這個門把手壞了」中，「把手」是個詞，但在句子「請把手拿開」中，「把手」就不是一個詞；在句子「將軍任命了一名中將」中，「中將」是個詞，但在句子「產(chǎn)量三年中將增長兩倍」中，「中將」就不再是詞。這些詞計算機又如何去識別 ? 如果交叉歧義和組合歧義計算機都能解決的話，在歧義中還有一個難題，是真歧義。真歧義意思是給出一句話，由人去判斷也不知道哪個應該是詞，哪個應該不是詞。例如：「乒乓球拍賣完了」，可以切分成「乒乓 球拍 賣 完 了」、也可切分成「乒乓球 拍賣 完了」，如果沒有上下文其他的句子，恐怕誰也不知道「拍賣」在這里算不算一個詞。 * 新詞識別。 新詞，專業(yè)術語稱為未登錄詞。也就是那些在字典中都沒有收錄過，但又確實能稱為詞的那些詞。最典型的是人名，人可以很容易理解句子「王軍虎去廣州了」中，「王軍虎」是個詞，因為是一個人的名字，但要是讓計算機去識別就困難了。如果把「王軍虎」做為一個詞收錄到字典中去，全世界有那么多名字，而且每時每刻都有新增的人名，收錄這些人名本身就是一項巨大的工程。即使這項工作可以完成，還是會存在問題，例如：在句子「王軍虎頭虎腦的」中，「王軍虎」還能不能算詞？ 新詞中除了人名以外，還有機構名、地名、產(chǎn)品名、商標名、簡稱、省略語等都是很難處理的問題，而且這些又正好是人們經(jīng)常使用的詞，因此對于搜索引擎來說，分詞系統(tǒng)中的新詞識別十分重要。目前新詞識別準確率已經(jīng)成為評價一個分詞系統(tǒng)好壞的重要標志之一。 第二章 數(shù)據(jù)庫理論基礎 數(shù)據(jù)庫系統(tǒng)設計 一個成功的信息管理系統(tǒng)，是建立在許多條件之上的，而數(shù)據(jù)庫是其中一個非常重要的條件和關鍵技術。信息管理系統(tǒng)所涉及的數(shù)據(jù)庫設計分五個步驟：數(shù)據(jù)庫需求分 析、概念設計、邏輯設計、物理設計與加載測試。 （ 1） 數(shù)據(jù)庫需求分析的任務是將業(yè)務管理單證流化為數(shù)據(jù)流，劃分主題之間的邊界，繪制出 DFD 圖，并完成相應的數(shù)據(jù)字典。 （ 2） 概念設計的任務是從 DFD 出發(fā)，繪制出本主題的實體－關系圖，并列出各個實體與關系的綱要表。 （ 3） 邏輯設計的任務是從 ER 圖與對應的綱要表出發(fā)，確定各個實體及關系的表名屬性。 （ 4） 物理設計的任務是確定所有屬性的類型、寬度與取值范圍，設計出基本表的主鍵，將所有的表名與字段名英文化（現(xiàn)在很多軟件能支持中文字段，如 Access 2021）， 實現(xiàn)物理建庫，完成數(shù)據(jù)庫物理設計字典。 （ 5） 加載測試工作貫穿于程序測試工作的全過程，整個錄入、修改、查詢、處理工作均可視為對數(shù)據(jù)庫的加載測試工作。 數(shù)據(jù)庫設計主要是進行數(shù)據(jù)庫的邏輯設計，即將數(shù)據(jù)按一定的分類、分組系統(tǒng)和邏輯層次組織起來，是面向用戶的。數(shù)據(jù)庫設計時需要綜合企業(yè)各個部門的存檔數(shù)據(jù)和數(shù)據(jù)需求，分析各個數(shù)據(jù)之間的關系，按照 DBMS 提供的功能和描述工具，設計出規(guī)模適當、正確反映數(shù)據(jù)關系、數(shù)據(jù)冗余少、存取效率高、能滿足多種查詢要求的數(shù)據(jù)模型。 數(shù)據(jù)庫設計的步驟主要是： （ 1） 數(shù)據(jù)庫結構定義：目前的 數(shù)據(jù)庫管理系統(tǒng)（ DBMS）有的是支持聯(lián)機事務處理 CLTP（負責對事務數(shù)據(jù)進行采集、處理、存儲）的操作型 DBMS，有的可支持數(shù)據(jù)倉庫、有聯(lián)機分析處理 CLAP（指為支持決策的制定對數(shù)據(jù)的一種加工操作）功能的大型 DBMS，有的數(shù)據(jù)庫是關系型的、有的可支持面向對象數(shù)據(jù)庫。針對選擇的 DBMS，進行數(shù)據(jù)庫結構定義。 （ 2） 數(shù)據(jù)表定義：數(shù)據(jù)表定義指定義數(shù)據(jù)庫中數(shù)據(jù)表的結構，數(shù)據(jù)表的邏輯結構包括：屬性名稱、類型、表示形式、缺省值、校驗規(guī)則、是否關鍵字、可否為空等。關系型數(shù)據(jù)庫要盡量按關系規(guī)范化要求進行數(shù)據(jù)庫設計，但為使效 率高，規(guī)范化程度應根據(jù)應用環(huán)境和條件來決定。數(shù)據(jù)表設計不僅要滿足數(shù)據(jù)存儲的要求，還要增加一些如反映有關信息、操作責任、中間數(shù)據(jù)的字段或臨時數(shù)據(jù)表。 （ 3） 存儲設備和存儲空間組織：確定數(shù)據(jù)的存放地點、存儲路徑、存儲設備等，備份方案，對多版本如何保證一致性和數(shù)據(jù)的完整性。 （ 4） 數(shù)據(jù)使用權限設置：針對用戶的不同使用要求，確定數(shù)據(jù)的用戶使用權限，確保數(shù)據(jù)安全。 （ 5） 數(shù)據(jù)字典設計：用數(shù)據(jù)字典描述數(shù)據(jù)庫的設計，便于維護和修改。 SQL 語言介紹 SQL 基礎 SQL(Structured Query Language，結構查詢語言 )是一個功能強大的數(shù)據(jù)庫語言。 SQL 通常使用于數(shù)據(jù)庫的通訊。 ANSI（美國國家標準學會）聲稱， SQL 是關系數(shù)據(jù)庫管理系統(tǒng)的標準語言。 SQL 語句通常用于完成一些數(shù)據(jù)庫的操作任務，比如在數(shù)據(jù)庫中更新數(shù)據(jù)，或者從數(shù)據(jù)庫中檢索數(shù)據(jù)。使用 SQL 的常見關系數(shù)據(jù)庫管理系統(tǒng)有： Oracle、 Sybase、 Microsoft SQL Server、 Access、 Ingres 等等。雖然絕大多數(shù)的數(shù)據(jù)庫系統(tǒng)使用 SQL，但是它們同樣有它們自立另外的專有擴展功能用于它們的系統(tǒng)。但是，標準 的 SQL 命令，比如 Select、 Insert、 Update、 Delete、 Create和 Drop常常被用于完成絕大多數(shù)數(shù)據(jù)庫的操作。 SQL 語言的突出優(yōu)點就是它的非過程化、統(tǒng)一，而且還是所有關系數(shù)據(jù)庫的公共語言。 SQL 語言一次處理一個記錄，對數(shù)據(jù)提供自動導航，它允許用戶在高層的數(shù)據(jù)結構上工作，而部隊單個記錄進行操作，可操作記錄集，所有 SQL 語句接受集合作為輸入，返回集合作為輸出。SQL的集合特性允許一條 SQL語句的結果作為另一條 SQL語句的輸入。同時，它不要求用戶指定對數(shù)據(jù) 的存放方法， 這種特性使用戶更易集中精力于要得到的結果；所有 SQL 語句使用查詢優(yōu)化器，它是 RDBMS的一部分，由它決