常用縮略詞
CSS:層疊樣式表
HTML:超文本標記語言
IT:資訊技術
XML:可擴充標記語言
自從 Amazon Kindle™ 與 Apple® iPad 這類平板裝置問世,平板電腦重新成為焦點。相較於桌上型機器,它們的便攜性與易用性,確實具備從傳統印刷媒體手中搶走市場份額的實力。但這類工具也暴露了數位文本呈現的一個弱點:它們在「顯示文字」上表現優異,理解層面卻仍停留在相當膚淺的程度。
視覺呈現這塊已經被處理得很好。CSS 解決了大量與外觀相關的問題——字型、間距、內距、背景;HTML 與 JavaScript 則讓資訊對人類讀者更直觀。
然而機器這邊還有很大一片潛能沒有開發,其中一個核心難題是:歧義消除。真正的上下文是什麼?更重要的是,開發者要用什麼樣的格式,才能讓機器意識到這個上下文?
歧義是 IT 領域的老問題:同一組資料可能是這個意思,也可能是那個意思。影像解讀也一樣——一堆像素構成的圖形,對人類認知而言究竟像什麼?文字提出的問題相對好處理一些,自然語言查詢與自動(但往往不準確的)歧義消除已有不少研究,可是日常面對的文本仍然夾帶需要解析的模糊性:作者真正想說的是什麼?
看一個簡單的句子:
The cow jumped over the moon.
對人類讀者而言,這句話(很可能)喚起的是一段久遠的童謠記憶。牛越過地球的天然衛星顯然是個「好點子」,但可能性微乎其微。不過它還能有別的解讀:如果 cow 指的是母駝鹿,而 moon 指的是安大略省的 Moon River(或者一頭母水牛跳過湄公河某條同名支流),那「這頭牛的跳躍」就合理多了。
這串單詞的真實含義為何?取決於上下文——而這裡沒有上下文。人類有時能憑既有知識推斷,機器不能,於是也就無法反過來幫助人類讀者。這是一個被白白錯過的機會。
對文本而言,消除歧義在幾個環節都很關鍵:
對人類來說,最直接的办法是把句子寫得明確一些,補上足以界定上下文的細節,調動讀者畢生累積的知識來縮小範圍。但這有成本:若讀者得讀完整段文字才能掌握一個詞的意思,那些時間本可以用在別處。
要為機器揭示一個概念的含義,大致有三條路:
作為開發者,您可能會想知道有哪些方式可以讓機器幫上讀者的忙。以下是最淺顯的一種,請機器澄清一個普通概念:
The <span title='moo-cow, milk cow, etc.'
style='color: blue'>cow</span> jumped over the moon.
這裡用 HTML 的 <span> 搭配 title 屬性,當滑鼠移到該詞上時顯示更具體的說明;文字以藍色呈現,暗示它還藏著更多資訊。讀者一旦對某個詞的含義沒把握,把游標移上去就能看到靜態的消歧資訊。這個功能在今日瀏覽器無所不在,<abbr>、<acronym> 標籤,以及刻意撰寫的 onmouseover() 函式也都能達到類似效果。不過這些做法都有一個前提:讀者得先讀得懂英文。
「太麻煩了吧!」您可能會說,「消除文本歧義花的時間,搞不好是寫這段文本的十倍!」我的回應是:或許吧。但那些願意面對瑣碎細節的人,會得到相應的回報——而下面還有更省力、也更強大的做法。
把頁面上看到的那個詞想成冰山一角。露出水面的部分以人類讀者能識別的形式呈現;而水面之下,是沉在頁面裡的其他豐富資訊,例如指向當前文件內外相關來源的連結。XML 正好適合承載這層結構。
清單 1. 使用 XML 進行進階泛化
<?xml version="1.0" encoding="UTF-8" ?>
<!-- 我們把這個檔案命名為 myxml.xml -->
<doc>
<section id='1' hr='The'>The</section>
<section id='2' hr='cow' wnssid='n02403454'>cow2</section>
<section id='3' hr='jumped' wnssid='v01963942'>jump16</section>
<section id='4' hr='over the'>over the</section>
<section id='5' hr='moon' wnssid='n09358358'>moon2</section>
</doc>
根元素是 doc,底下有幾個 section。每個 section 都帶有可供特定對象取用的屬性。為了聚焦重點,這裡只對名詞與動詞做消歧。
純 XML 對最終讀者沒有意義,所以清單 2 是一個最樸素的 PHP 腳本,把內容攤開來。
清單 2. 純粹提取
<?php
$xml = simplexml_load_file("myxml.xml");
foreach ($xml->section as $sec) {
echo "$sec ";
}
echo "\nDone\n";
?>
這段程式把 XML 讀進物件變數,再用 foreach 逐一列出各 section 的純內容,輸出是 The cow2 jump16 over the moon2。其中 cow2 這類標籤對人與機器都不友善,只是為了示範(實際上它們是我查詢本地 WordNet 資料庫所回傳的索引編號)。若換成 The cow1 jump3 over the moon1,含義將完全不同——而人類看不出差別。
一個關鍵的呈現原則是:依對象調整訊息。清單 3 是針對人類讀者的版本。
清單 3. 針對人類的提取
<?php
$xml = simplexml_load_file("myxml.xml");
foreach ($xml->section as $sec) {
echo $sec['hr']." ";
}
echo "\nDone\n";
?>
差別只在於改讀 hr(human reader)屬性,輸出回到 The cow jumped over the moon。結果很好——它正是我們的出發點,同時示範了同一份資料如何呈現多種面貌。但它對機器仍然不夠清楚。
最後,清單 4 是給機器的版本。
清單 4. 針對機器的提取
<?php
$xml = simplexml_load_file("myxml.xml");
foreach ($xml->section as $sec) {
echo $sec['wnssid']." ";
}
echo "\nDone\n";
?>
這裡只提取 wnssid(WordNet 的 synset id)。Synset 是意義相同的多個詞所組成的集合,存在資料庫中並以形如 annnnnnnn 的 unique key 標識。輸出的 n02403454 v01963942 n09358358 就是機器能懂的消歧結果。
這對人類讀者太抽象,因此假設外部例程會用這些 synset 去查內容,再搭配相關資訊來幫助讀者。例如把 cow、jumped、moon 標成藍色,滑鼠移上去時以彈出視窗顯示 WordNet 資訊;以 jumped 對應的 v01963942 為例,可以顯示 leap、bound、spring 等同義群。
您可能注意到,原文的「The」與「over the」沒有出現在輸出中。這些虛詞並不重要,因為我們假設外部例程會依自己的方式重建句子——或許用幾張圖片加箭頭表達,或許用不使用冠詞的語言。
依同樣思路,您還能加上更多屬性:
清單 5. 加上另一個屬性
<section id='3' hr='jumped'
wnssid='v01963942'
roget='309'>jump16</section>
這樣一來,Roget 的 Thesaurus 也對機器開放——具體而言是第 309 項,專門深入「leap」的概念(雖然 jump 在 Roget 的其他位置也有條目)。您還可以加上 Wikipedia 連結或任何在您的上下文中相關的內容,供讀者稍後查證,協助他們準確理解文本含義。
顯然,XML 可以作為一個工具,用來儲存並針對不同對象重新組裝已消歧的文本。問題是這看起來工作量龐大。目前幾乎沒有任何文本是以無歧義的方式呈現的,因此這份工作得有人做——除非哪天發明了即時消歧的方法,而現在的技術離完美還很遠。
不過,也許不必對整份文本消歧:一份具代表性的摘要通常就夠了。在消歧過的摘要上執行搜尋,多數情況下能用更低的成本換到準確的結果集——因為摘要更短,您能用同樣的時間搜尋更多文件。想看一個運用這類消歧技術的簡易搜尋引擎範例,可以參考 DAMSEL 專案。
值得嗎?某種程度上,我也可以靠堆疊複雜關鍵詞(例如加上「cow water buffalo」)來降低歧義,然後期望這就是原作者的意思。但要是原作者用泰語寫成且本身並無歧義,這種搜尋就會棘手得多。
據說人類只用了大腦容量的 10%,那麼我們實在沒有理由把機器也限制在這個範圍裡。