Claus-Rainer Rollinger

Textunderstanding in LILOG - Sorts and Reference Objects

The main objective of the project LILOG (Linguistic and Logic Methods) is to develop concepts and methods for understanding German texts and dialogs. ‘Understanding’, in this context, refers to the construction of a semantic representation of a piece of text or of a dialog statement, that is a (partial) model of the situation described in the text. This representation is held in a computer memory and is used by the knowledge processing component, e.g., for extracting information to augment a knowledge base, or for answering questions about the text, etc. As a prerequisite, appropriate means for constructing such a model must be available in a permanent knowledge base. These means must be retrieved and applied to the actual situation by appropriate processes.

Partnermodellierung im Evidenzraum

In diesem Artikel werden zwei Themen behandelt. Erstens wird ein Partnermodell vorgestellt, das entsprechend dem Stereotypen-Ansatz (RICH 1979) formuliert wurde, das aber bezuglich des flexiblen Aufbaus von Partnerbi ldern uber Stereotype und bezuglich der Behandlung von positiven und negativen Argumenten uber das von Rich realisierte Modell hinausgeht.

Automatische Akquisition von inferentiellem Wissen

This paper is concerned with our approach in the model-directed induction of inference rules, describing the attributes and semantic relations of operators of a proposiotional knowledge representation language. Through the use of higher cognitive concepts like transitivity and conversity and relations between these concepts, expressed in metarules, it is possible to detect the semantics of operators in an efficient manner, useable in various expert-systems and natural-language-systems. A brief overview of our system METAXA, which is implemented in PROLOG, is given. Further problems related to the rectification of inference rules will be discussed.

Lernen und Wissensakquisition

Das Gebiet Machine Learning (ML), im Deutschen haufig als Maschinelles Lernen bezeichnet, ist eine Teildisziplin der Kunstlichen Intelligenz, die sich in letzter Zeit in heftiger Entwicklung befindet. Diese starke Entwicklung zeigt sich sowohl in einer gestiegenen Anzahl von Veroffentlichungen als auch daran, das spezielle Tagungen zu diesem Thema in steigendem Mase abgehalten werden /1/. Dieses gesteigerte Interesse am Gebiet des Maschinellen Lernes und der Wissensaquisition /2/ basiert insbesondere auf Anregungen und Anforderungen aus der Praxis, da sich in den letzten Jahren (vor allem auf dem Gebiet der Expertensysteme) herausgestellt hat, das neben den Problemen, die noch immer in der Verarbeitung groser Wissensbestande bestehen, das Hauptproblem (Feigenbaum 1980) darin liegt, uberhaupt erst das Wissen eines Systems uber einen Anwendungsbereich aufzubauen. Daher erscheint es notwendig zu sein, die Prozesse der Modellbildung bei der Entwicklung von Expertensystemen und anderen wissensbasierten Systemen durch „lernende Systeme” der Kunstlichen Intelligenz zu unterstutzen. Somit ist ein Ziel des Gebietes “Maschinelles Lernen und Wissensaquisition“ schon genannt, namlich beim Aufbau intelligenter Systeme zu helfen.

Aspekte der rechnergestützten Generierung von Inferenzregeln durch Regelschemata

One of the main problems in designing Natural-Language-Systems depends on the question “Where do all the inference rules come from?”. In this paper we describe a subsystem of the NL-QAS BACON supporting the task of writing inference rules. The domain inference rules are seen as transformations from logical expressions to logical expressions. The inferential process is controlled by the operators in the domain of the expression to be transformed. For any operator exists a set of relevant rules. A relevant class of inferential rules depends on “semantic relations between words”. A set of basic concepts of such relations is introduced. Each of these concepts is paird to a rule-schema by which it is possible to generate special inference rules for the operators of the semantic representation language. The inferential component and the rule-generating process (checking some types of inconsistencies) are described. The problem is discussed from different viewpoints: the system designer’s developing an AI-system and the cognitive scientist’s interested in the basic cognitive concepts of humans.