AI 時代的語言學（三）：實作

在本系列文的連載之一裡，我們說明了人類的語言系統具有其天生的內部結構，我們可以用這個內部結構來設計一個專門計算「語言結構」的程式，讓資訊系統仿照人類處理語言的過程來推算出語言的結構。

補充閱讀：

在系列文二裡，我們則進一步利用這個結構來說明「語意 (semantics)」也可以這麼計算，並且和 LLM 做了初步的比對。然而，在系列文二裡，我們沒有特別說明「語意」的計算程式，大概會長什麼模樣。

本篇就來說明，我們要利用系列文二裡的「形式語意學 (Formal Semantics)」的表示式來計算語意，程式大概會長什麼樣子…

任何科學領域的研究，第一個要回答的問題永遠是「你的最小單位是什麼？」只要最小單位搞錯，那麼這個研究的結果大概也是…不太科學的 (客氣地說)。就像電影《鍋蓋頭 Jarhead》裡的教官在射擊訓練場特別指出的「報距離的時候，選擇適當的最小單位！不要用你的屌當計算單位，因為它太小了！」

因此，當早期的 embedding 一路選擇「詞 (word)」、「字符 (character)」直到比字符更小的「token (符元)」這樣愈來愈小的方向時，我們從「詞 (word)」就開始延伸到形式語意學的計算符號上面。

同樣地，我們用「約翰在波士頓租了一間房子」為例，以「詞」做為 embedding 的最小單位，就會將以下的內容做為訓練材料，一共有 6 個元素：

[“約翰”, “在”, “波士頓”, “租了”, “一間”, “房子”]

而如果是以「字符」為 embedding 的最小單位，原本的「約翰在波士頓租了一間房子」，就會變成這樣的訓練內容，一共有 12 個元素：

[“約”, “翰”, “在”, “波”, “士”, “頓”, “租”, “了”, “一”, “間”, “房”, “子”]

而如果是以 token 做為 embedding 的最小單位，一個中文字符大概會是三個 token，整個句子就會變成像以下的 36 個元素：

[“\xe7”, “\xb4”, “\x84”, “\xe7”, “\xbf”, “\xb0”, “\xe5”, “\x9c”, “\xa8”, “\xe6”, “\xb3”, “\xa2”, “\xe5”, “\xa3”, “\xab”, “\xe9”, “\xa0”, “\x93”, “\xe7”, “\xa7”, “\x9f”, “\xe4”, “\xba”, “\x86”, “\xe4”, “\xb8”, “\x80”, “\xe9”, “\x96”, “\x93”, “\xe6”, “\x88”, “\xbf”, “\xe5”, “\xad”, “\x90”]

但我們使用邏輯表達式，例如：

FUNC_在(LOC_波士頓, ASP_了(VERB_租(PSN_約翰, CLA_一間(ENTY_房子))))

整個句子將會變成以下的模樣進行 embedding 的訓練：

[“FUNC_在”, “(”, “LOC_波士頓”, “ASP_了”, “(”, “VERB_租”, “(”, “PSN_約翰”, “CLA_一間”, “(”, “ENTY_房子”, “)”, “)”, “)”, “)”]

共有 15 個元素。這是我們在計算向量時，第一個和主流「字符/詞彙/token/byte」做為嵌入基本單位的最大不同之處。

有趣的是，我們利用形式語意表示式，可以得到最大的好處就是「主動語態和被動語態將有一樣的語意表示式」。

也就是說，「有一間在波士頓的房子被約翰租了」這個句子的語意表示式和「約翰在波士頓租了一間房子」是完全一致的。

以這些元素來計算詞向量還不夠，因為詞向量對語言結構不敏感，頂多只能呈現「這個句子在高維空間中大概分佈在哪裡」的特徵。因此我們要再加上能對語言結構敏感，並在計算過程中保持序列結構的 pairwise alignment 將每個句子彼此之間的相似程度計算。

大概會像這樣子：

[註] 涉及機密處的參數予以遮蓋，請見諒。
[註] 不同詞性的加權，可加在 alignments 這一行之後處理。
[註] 不同層次的 negation_function 的處理，也可以在這一區塊處理。

這麼一來，這兩個只差了「房子」和「屋子」一個詞的句子，相似度可以計算出為 92%。對齊的過程視覺化後如下所示：

最小單位是形式語意學提供的，而對齊的算法是 naive pairwise algorithm (常用於基因比對)。該演算法的物理意義在於「找出兩個 DNA 序列」中相同排列的段落。

若兩個物種的 DNA 序列「相同的段落愈多，且兩兩相同段落之間的位移愈少」，則這兩個物種在分子生物的層面上愈相近。

綜合地說，在 NLP/AI 的技術發展史裡，早期使用「字符」，中期使用「詞彙」，前者會遇到「雜訊過多 (多一個「的」，少一個「啊」，都會被演算法視為是不同的句子)，後者則會遇到「主動句 (我看到他匯錢) vs. 被動句 (他匯錢被我看到)」明明意義一樣，但卻被演算法視為不同句子的問題。近期使用 token/byte 的 LLM 則會遇上無法呈現語言中的邏輯因果關係的問題。

而我們可以利用語言學，先把所有的句子都先收斂成「語意表示式」，藉由：

FUNC_在(LOC_波士頓, ASP_了(VERB_租(PSN_約翰, CLA_一間(ENTY_房子))))

這樣的結構，不論其原文是「約翰在波士頓租了一間房子」或是「約翰租了一間波士頓的房子」甚至是「波士頓的一間房子被約翰租了」都是一樣的結構，再交給 embedding 和 pairwise algorithm 計算以後，就能得到「上面三個句子都是一樣的語意」的結論了。

本文取得《卓騰語言科技 - 科普分享空間》授權轉載，原文詳見AI 時代的語言學 - 連載之三：實作

推薦閱讀