Roger Schankは、1970年代に、Conceptual Dependency（CD）を使用して言語処理に関する興味深い研究を行いました。その後、彼は最近では教育に従事しているため、フィールドから少し移動しました。自然言語生成（BABEL）、ストーリー生成（TAILSPIN）、およびその他の領域にはいくつかの有用なアプリケーションがあり、個々の文章ではなく計画やエピソードが含まれることがよくありました。
他の誰かがCDまたはその変種を使い続けましたか？私は、ストーリーを生成するための表現としてCDを使用するHovyのPAULINEを除いて、他のプロジェクトについては知りません。
回答:
誰かがまだ概念依存理論を使用していますか？
はい。多くの人。概念的な依存関係は、自然言語でのアイデアの伝達の中心です。
ここに、シャンクの作品から構築された、または関連分野での彼の指示と並行して旅した、今世紀のほんのいくつかの出版物があります。
1992年、ハートフォードでロジャーシャンクと会ったのは、ユナイテッドテクノロジーズリサーチセンターのAIラボと、この地域の他のいくつかのフォーチュン500企業が主催する講義シリーズです。彼の講義全体は、AI研究における一連の物語でした。26年後のすべての話を覚えています。
現場で目にするおもちゃのNLPの実装は、人間の音声コミュニケーションについて行われる可能性のある観察結果の説明として、シャンク博士によって提案されたストーリーベースの推論および記憶システムと比較すると見劣りします。
彼が教育に移った理由は容易に推測できる。彼の自然言語と人工知能のアイデアは、約1世紀前半であり、私と一緒に講義に参加していたほとんどの人々の頭上にありました。
あなたと私が彼のストーリーベースの推論と記憶の提案を説得力があると思うなら、私たちはおそらく1世紀が早すぎて、今日のNLP分野のほとんどの頭を少し超えています。1980年代の研究室にいる人たちのほとんどはシャンクを苛立たせたと感じ、今日のテクノロジー文化に慣れ親しんでいる人々は彼を無関係にしています。
私がアナーバーにあるミシガン大学のプロジェクトでやり取りした人の中には、彼の仕事が無関係であるとは思わず、彼らの仕事は彼が示した方向にあるものです。残念ながら、クライアントのNDAにより、そのプロジェクトについてこれ以上コメントすることはできません。
私たちがストーリーでコミュニケーションするという考えを捨てるべきではない、そして最終的に捨てない理由は、それが正しいからです。人が「吐き出したくなる」または「私もあなたを愛している」と言うとき、「モダン」な手法を使用したこれらの文の直接解析は、考えの正しい再構築とは密接に関係していません。スピーカー。どちらの文も、ストーリーと呼ばれる相互依存の概念的なヒープを参照しています。
2人の「パーティーガール」がボルゴアのコンサートの女性部屋にいて、1人が「Hand me a roll」と言う場合、「roll」という言葉の解釈は概念的に異なります。スピーカーが失速している場合、それは1つのことを意味します。シンクにいる場合は別の意味です。
これを理解する研究コミュニティの一部が常に存在します。あなたのビジネスの電話に答えるお金を節約するオートマトンを構築しないかもしれないそれらはそれらがあなたに政策問題を指摘する顧客関係パターンの頭を与えないでしょう。
これらのおもちゃのNLPエージェントは、Dr。シャンクが提案した機能を開発するまで、クライアントとの電話での会話から、製品またはサービスの拡張機能が悪用されるのを待っている機会であることを認識せず、説得力のある話をしません。あなたが機会を最初に利用することから利益を得るでしょう。
このモデルは、NLPおよびNLUの現在の理解に貢献する上で重要な役割を果たしましたが、生産システムではもはや有用ではなく、現在のところ、このアプローチに従った商用製品は成功していません。
CDTの目標は、文章から論理的な推論を引き出すことができるAIシステムを設計することでした。このシステムの目的は、入力で使用されている単語から独立した意味にすることでした。
CDTは、場所、時間、実世界のアクション、実世界のオブジェクトなどのトークンを使用して、文章をモデル化しました。ただし、計算能力がより一般的で安価になるにつれて、以前のルールベースのシステムよりもパフォーマンスが優れている統計モデルに関心が向けられました。
CDTなどのルールベースのアプローチの問題は、コストがかかる可能性があり、通常は他の言語にうまく一般化できない言語ルールを手動で開発する必要があることです。
一方、統計的アプローチでは、人間の言語リソース（多言語コーパス）をより効率的に使用します。統計モデルは、ルールベースのアプローチを使用するのではなく、入力データを構成する特徴に実際の重みを付けることに基づいて、ソフトな確率的決定を行います。（ウィキペディアNLP）
人間の言語リソースをこのように効率的に使用すると、特に見慣れない入力やエラーを含む入力が与えられた場合に、より正確でロバストなモデルになります。統計モデルは、他の言語にも一般化します。