我越来越感慨语言之美,语言之强大。
这里的语言,是一个比较广的概念,既可以是中文,英文这类自然语言,也可以是C,C#,Python,Lisp这类通用语言,也可能是自己定义的领域特定语言(DSL)。更广泛的可以是音乐和DNA序列。
语言就是字符串,一组由不同字符串组成的顺序链条。然而,大巧不工,越朴素简单的模式,其能力就越强大。
语言代表了知识,E=mc^2;
语言代表了美感: “人生若只如初见,何事秋风悲画扇”
语言代表了力量:”尔曹身与名俱灭,不废江河万古流”
语言代表了智慧: (define (fib n) (cond ((= n 0) 0) ((= n 1) 1) (else ( (fib (- n 1)) (fib (- n 2)
语言代表了模式: aa bb cc aaa bbb ccc…
语言是艺术品,作为程序员,你应该像对待艺术品一样对待自己的代码,精心雕琢它的结构,优化它的性能,像一首诗一样优美,它是智慧和荣耀的象征。可惜的是,绝大多数人写的代码,连正确都谈不上,更枉提美感!
语言分类
我感慨语言之美,是因为语言的表达能力无穷无尽。结合学习的大量资料和自己的理解,语言可以分成以下几个层级,每个层级都属于其下一个层级。
LV1:表格
最基本的语言,显然是表格,此处亦可代表字典,键值对,列表等等。它只有并结构。一般的条件语句和决策,都可以用表格来表示。
基本操作:并,分枝,循环
工具:list,dict
处理模式:循环,索引访问
千万别小看表格的表现能力,通常的表格只是承载数据,如果能够承载动作和命令,那么它将极为强大,想想Lisp和S-表达式。
LV2:正则语言
用过正则表达式的同学,都知道正则表达式的强大,它通过基本的等操作,定义了一套封闭的正则语言。但其无法计数和实现嵌套结构。
基本操作: 表格的基本操作,序列和差集
工具:状态机(NFA,DFA)
处理模式:匹配,模式分析
LV3:上下文无关语言
因为状态机无法处理嵌套结构,因此引入上下文无关语言。该语言引入堆栈,用以保存信息。但通常在实现中,堆栈是隐含在递归下降过程的递归栈中,而非显式实现。
基本操作: 正则语言的基本操作,嵌套,递归
工具:递归下降语法分析
处理模式:生成句法树,计算
LV4:上下文有关语言
上下文无关语言的各条语句之间是独立的,没有环境和上下文。因此难以保存和传递状态。因而产生了上下文有关语言。
基本操作:上下文语言的基本操作+引用,赋值
工具:上下文无关语言的工具+符号表
处理模式:实现通用语言,图灵完备
LV5:自然语言
以上的那些语言,代表了严格的逻辑和条件,用确定的语义模型表达意图,没有模糊性和动态性。这样的语言是可计算的,也有明确的语义模型代表。
然而,当加入模糊之后,其动态性和功能变得强大的多。典型的就是自然语言,它没有明确的语义模型。现在尚无合适的技术,能够真正透彻的分析自然语言。
值得注意的是,我们提到了分枝,循环,并,顺序,补,嵌套,递归,存储符号。但依旧没有提到反馈。反馈不属于静态的语言概念,而是运行时的自我调整。
LV6:意识和经验
很多经验和知识,是难以用语言表达的,即使能背诵汽车驾驶指南,如果没有实际的练习,那就是不会开车。别人的经验,即使勉强用语言表达出来,不论表达的多么清晰,依然会大打折扣。可以认为,即使语言相同,而大脑最强大的编译解释器每个人却各自不同,所以就会产生完全不同的理解。此处,反馈产生了重要的作用。
我将意识和经验,看做是运行时的“自然语言”。
自然语言
自然语言用词汇定义语素,用词组和句子表达模糊的语义,用模糊的上下文语境代替确定的符号表。模糊产生了美感,能够描述故事,小说,诗歌和一切美好的东西。
自然语言的文法
因为模糊,所以文法在自然语言中变得次要。符合文法的句子很好,但不符合文法的句子照样能很好的工作。文法和词汇都在语言的发展中不断进化。每天都有新的表达出现,改变才是最大的不变。一个有趣的问题是,文法也是一种语言,我们能否发现自然语言在发展过程中文法发展的规律?
说句题外话,我认为英语教学中,语法早就应该退居二线,而听说读写带来的语感,才是学习语言的正道。
基本操作
由于自然语言的模糊性,概率论成了分析自然语言的利器。即便如此,我们能做的也非常有限,通过概率论结合一定的规则,可以实现分词,命名实体识别,词性预测,句法树生成,情感分析,关键词抽取,自动摘要生成… 这些技术只能称为“自然语言处理”,而无法称作“自然语言解析”。
如果语料足够全面,并且能够覆盖一个话题的全部语境,那么我相信纯粹的概率论就能获得最终的胜利。问题是语料的获取和分析非常复杂和昂贵,这可不是从网上抓下一批新闻数据就能办到的。在现阶段,我更相信经验规则和概率论结合的处理方法。
可计算性
自然语言是可计算的吗? 举个例子:
如果今天下雨,那么就坐公交下班。 //这是一个典型的的可计算句子。
买三斤苹果,如果有西瓜,就买三斤西瓜。 //这代表了二义性,没有上下文语境,很难确定真正的策略。
这还是最普通的例子,诗歌和故事是可计算的吗?这样的计算,结果是什么?
此处的可计算性,和标准概念上的“计算性”可能有所不同。但既然人能够处理语言,自然语言就是可计算的。 处理自然语言的核心,不是推导,而是联想。大脑具备了将众多概念联系起来的能力,通过联想,配合推导和学习,最终推导出新的概念,方法和经验,最后付诸行动。
我们能做什么
既然自然语言如此神奇和复杂,而目前的技术又无法构造一台类似大脑的联想机器,那么如何让处理语言时走的更远一些呢 ?编程语言在发展过程中,已经发展出了非常完善的编译算法和工具,于是,一个朴素的想法是,能否将这些强大的技术用在处理自然语言上?
语言虽然千变万化,但它是有规律的,其语素是稳定的,比如描述“1个”的概念,其表达数量肯定是有限制的。描述数字的表达,总是有限制的。一个再复杂的组合,拆分到子单元时,这些子单元就变得稳定了。因此我们总能通过规则,构造基本单元的表达,比如数字和时间的表达。在此之上,描述单元组合的方式,形成一套规则树结构。
有些处理,更适合用概率分析,如分词,词性预测和情感分析。
我的考虑是,通过一组DSL,利用规则和概率,在一定程度上规避自然语言的多样性和歧义性,将文本转换可计算和无歧义的语句,这个过程称为“文本规范化”,作为自然语言的编译器前端,最终送入一般意义上的编程语言编译器。
一切都是模式,子模式组合为父模式,用模式匹配,修改和组装新模式。
目前正在做这方面的工作,已经取得了不错的进步。目前已经能够计算诸如:
二十七+15*15 十四点五的平方加上八十三除以三点五
语言的局限
说了这么多语言的强大之处,但语言也有天生的局限。比语言更高层级的是意识和经验。语言本身就像代码,如果不编译执行,那就是一堆没有用的字符串。
人类的理解一些问题,语言可能并不是最优的媒介,有时一图胜千言,多媒体的表达能力能够更好的激励联想。实践的价值可能比语言本身重要得多,但把运行时的概念和编译时的概念比较,这本来就是不公平的嘛。
上班一年半了,别人会问我做什么工作,之前这个问题有些难以回答,事实上,我第一年主要做语音合成(TTS)的文本处理前端, 而这半年,对编译原理,文法推断和模式分类感兴趣。这个问题慢慢变得清晰起来,那就是研究“语言”。
显然这篇文章里有不少错误,我连一本编译原理都没看完呢,欢迎吐槽。之后,我将总结一系列有关DSL的一些知识和想法。