对于普通名词语义的研究,其中一个重要方面是它的指称性(referencingness)。在这方面,大多数文献只关注不定指称和确定指称之类的定指性(definiteness)的含义,例如,‘一个人’与‘这个人’之间的区别。
本人认为除了'确定性'这个层面外,普通名词还存在着另外一个很少有人关注的层面:指称性(referencingness)。亦即,物质名词(substantive nouns)除了可以指称确定或不确定的对象以外,还存在着无指称现象(referentless)。下面是一组英语例句
1.
a. I'm studying Palajami, a language spoken among American natives.
b. The language I'm working on is tough.
c. Language is the best mirror of human mind.
(1)中的‘language’有三种不同的用法:1a表示Palajami是众多美洲土语中的一种;1b的意思是我从事研究的那个语言;而1c没有明确的指称,因为language没有指称任何具体语言,而没有指称具体语言的language在这个世界上是根本不存在的。有人可能根据直感认为1c表达的是语言这个‘概念’,但是任何自然语言都是概念的具现化而不仅仅是1c,所以这种说法不能说明任何问题。汉语中无指称现象就更加多了。例如
2.
a. 今天我在他家吃了一顿饭。
b. 这顿饭吃的挺饱。
c. 吃饭靠工资,发财靠外快。
2c中的‘饭’就是一个无指称的名词。诸如此类的例子有:穿衣、扫地,打球、走路等。
无指称现象对于研究话语结构中动词和名词的赋格关系很有必要。例如土耳其语中有指称的名词作动词直接宾语时是accusative格,而无指称名词作宾语时就变成了nominative格,说明指称性不同的名词在话语结构中的差异是明显的。
自然语言中的定指、不定指和无指称还属于一种内在的语言知识,亦即一种tacit知识。而编程语言对任何事物的描述则必须是非常明确的(explicit)和精确的(precide)。在编程语言所描述的对象系统中,任何一个对象都存在三种可能性:类的实例(an instance of a class),类的实例集合(a collection of instances of a class)以及类本身。举例说明:
建立一个‘学生’类:
3
class Student {
String name;
String gender;
int age;
String school;
String major;
static long classifier = 1234L;
}
‘Student’类中的6个属性,除了最后一个其他都是实例对象的属性,而最后一个属性,‘classifier'表示’学生‘类本身的属性,亦即任何一个‘学生’类实例都具有的共同属性。
4
实例化一个学生对象
class="java">Student aStudent = new Student[] {
new Student(),
new Student(),
new Student(),
new Student(),
new Student()
};
5
定义‘学生’实例(某个学生)的属性值:
aStudent.name = '张三';
aStudent.gender = '男';
aStudent.age = 22;
aStudent.school = '东北大学';
aStudent.major = '计算机科学';
6
定义students中第一个成员的属性:
students[0].name = '李四';
students[0].gender = '女';
students[0].age = 20;
students[0].school = '西南大学';
students[0].major = '物理';
7
访问‘学生’类的类属性:
System.out.println(Student.classifier);
这里的‘Student,就相当于自然语言中的无指称名词,亦即例句1c和2c中的名词。在上述编程语言的例子中,4的语义相当于自然语言的‘a student’;6的语义相当于‘students’。而6的语义对应着无指称的名词’Student‘,类似于自然语言中的:
8
a. 学生都应当好好学习
所以,名词的定指性、指称性,不仅仅是人类语言的心理认知,而且是可以明确、精确外在化(externalization)的物理实现,可以看做是这种认知心理在人工语言中运用。
分享到:
相关推荐
尽管如此,编程语言也在逐渐借鉴自然语言的特性,比如面向对象编程的概念,如类和对象,模仿现实世界中的实体和它们的关系。 在处理自然语言时,计算机面临的挑战在于理解和应用语境。人类具备知识和推理能力,能...
自然语言处理—自然语义系统(给所有语句,作数字化)给词汇分类(近义词)立刻马上经常(名词,副词,形容词,动词,连词,助词,介词)写一门”词义”中间语言;搜索:自
自然语言中有缩略语和成语,编程语言则有简写、宏定义和函数调用,以减少冗余和提高效率。例如,自然语言中的“搞定”可以简明地表示完成某项任务,编程语言中的“for循环”则是简洁地重复执行一段代码。 然而,...
### 系统及编程复习要点与名词解释 #### 一、位与位操作(位运算) ...以上就是“系统及编程复习要点与名词解释”的主要内容,通过深入理解这些概念和技术,可以帮助学生更好地掌握计算机系统的基础知识和编程技巧。
《自然语言处理宗论》涵盖了这些基本任务,同时也讨论了自然语言生成、问答系统、对话系统、语音识别和语音合成等更复杂的应用。书中的内容既包含理论基础,也有实践案例,适合初学者和专业人士学习。 在学习NLP的...
从给定的文件标题“自然语言处理中文词库(含词性)”和描述“用于自然语言理解课程,分词,词性标注使用的词典”,我们可以深入探讨几个关键的自然语言处理(NLP)概念,特别是与中文文本处理相关的部分。...
自然语言处理的基本任务包括分词、词性标注、句法分析、语义分析、机器翻译、自动摘要、文本分类、信息检索、自动问答、信息抽取和情感分析等。这些任务涵盖了语言理解的多个层次,从词汇层面到句子结构,再到篇章的...
词性标注则是对每个单词赋予其在句子中的语法角色,如名词、动词、形容词等,这对于后续的句法分析和语义理解至关重要。 接着,课程会深入到统计方法在NLP中的应用,如n-gram模型。n-gram模型是一种基于统计的语言...
【基于URL的中文多语义名词在线语义标注】是一种自然语言处理技术,主要目标是为中文中的多义词提供语义标注,从而帮助理解和解析这些词汇在不同语境下的具体含义。该方法通过利用搜索引擎返回的包含多义词的网页URL...
Python中文自然语言处理(NLP)是近年来在大数据和人工智能领域中备受关注的一个重要分支,尤其对于中文文本的理解和分析,Python提供了丰富的库和工具,使得开发者能够高效地进行文本预处理、情感分析、词性标注、...
Python由于其丰富的库和简洁的语法,成为了NLP领域首选的编程语言之一。以下是一些关于Python NLP的关键知识点: 1. **文本预处理**:这是NLP的第一步,包括分词(Tokenization)、去除停用词(Stop Word Removal)...
### PYTHON自然语言处理中文翻译 NLTK 中文版 ...通过这些知识点的学习,读者不仅能掌握自然语言处理的基础理论,还能学会利用Python和NLTK进行具体的NLP项目开发,从而更好地理解和应用自然语言处理技术。
自然语言处理(Natural Language Processing, NLP)是计算机科学领域的一个重要分支,它涉及人工智能、计算机科学、语言学等多个学科,旨在使计算机能够理解和生成人类自然语言,实现人机之间的有效沟通。...
《中文基本复合名词短语语义关系体系及知识库构建》这一主题主要涉及的是汉语语言学中的一个重要领域——词汇组合的语义分析和知识库的建立。复合名词短语是汉语词汇构造的一大特色,它由两个或多个词组成,共同表达...
“(已读+理解)一种自然语言理解语法分析器的算法实现”和“(已读+理解)一种自然语言理解中语法分析的算法设计和实现”这两篇论文可能详细讨论了具体的算法,如上下文无关文法(Context-Free Grammar, CFG)或转换...
语义系统和语义单位是语言学中的核心概念,它们涉及到我们如何理解和使用语言来表达思想。语义系统指的是一个语言中所有语义单位的集合,这些单位在特定的聚合和组合关系中相互作用,形成了一个同时存在的体系,且...
它在人工智能和计算语言学领域占据着核心地位,是理解和构建智能系统与人类语言交互的关键。这一完整版的讲义涵盖了从基础理论到实际应用的广泛内容,旨在为学习者提供全面而深入的理解。 统计自然语言处理的核心...
《统计自然语言处理》是一本深入探讨自然语言处理(NLP)领域的经典著作,它将统计方法与计算语言学紧密结合,为理解和应用自然语言提供了一种数据驱动的视角。NLP是计算机科学的一个分支,专注于如何使计算机能够...
总结来说,中文句法标注系统和语义标注工具在自然语言处理中扮演着核心角色,它们为理解和挖掘中文文本信息提供了强大的支持。而“tagsen”这一资源则可能是实现这些功能的实用工具,对于研究人员和开发者来说,掌握...