自然语言处理-第17章 对话代理的定义.pptVIP

步骤① 这个说话动作被识别为下面动作的一部分 MotivateByRequest(Sue1, Jack1, Give(Jack1, Sue1, KeyTo(Locker1))) 利用关于交谈动作的共享知识，Jack知道Sue相信这个动作的效果是： Intend(Jack1, Give(Jack1, Sue1, KeyTo(Locker1))) 步骤② 利用关于意图行为的共享知识，将产生下面这个动作： Give(Jack1, Sue1, KeyTo(Locker1)) 根据关于“give”动作的共享知识，将得到的效果是： Have(Sue1, KeyTo(Locker1)) 步骤③（重要的一步） Jack相信Sue以为他的橱柜用的是钥匙锁。因此，他知道Sue相信拿到钥匙就可以做这个动作： Open(Sue1, Locker1) 假定Jack觉得这个动作在该范围内是一个合理的意图，那么他需要构造一个看似合理的解释，来解释Sue为什么向他要钥匙。当然，这个构造出来的计划不会起作用，而且这与识别计划的目的无关；重要的是Sue认为它有效。 假定由上述步骤得到的这就是唯一的看似合理的计划，Jack将认为它描述了Sue的意图结构。这个识别出来的计划如图17.9所示。 Bel(Jack1, Bel(Sue1, ValidPlan(SP1))) SP1：A plan to achieve Open(Sue1, Locker1) MotivateByRequest(Sue1, Jack1, Give(Jack1, Sue1, Key1)) effect Intend (Jack1, Give(Jack1, Sue1, Key1)) motivates Give(Jack1, Sue1, Key1) effect Have(Sue1, Key1) enables Open(Su1, Locker1) 图17.9 由Can I have the key to your locker?识别出的一个看似合理的计划 给定这个计划，Jack将认为Sue的主要意图包括： Intend(Sue1, MotivateByRequest(Sue1, Jack1, Give(Jack1, Sue1, KeyTo(Locker1)))) Intend(Sue1, Achieve(Have(Sue1, KeyTO(Locker1)))) Intend(Sue1, Open(Sue1, Locker1)) 实际上，必须给采用此类算法的计算系统一个可能的期望列表作为它的期望。在这个例子中，Intend(Sue1, Open(Sue1, Locker1))将成为这些期望中的一个。给定一个输入，该系统将运用计划识别提出一些看似合理的计划，并希望其中只有一个“匹配”某个预期的意图。 返回 3、不需要识别每个语句的根本意图。只要有可以促进对话的看似合理的意图，通常就不需要识别出唯一的一个意图。 例：（我们用诸如“学习”、“去海边”之类的较为具体的意图来代替“Sue打算打开Jack的橱柜”这个相对特殊的意图。）假定Jack的橱柜中有Jack和Sue正在上的某门课程的课本和一些沙滩上用的毛巾，这是共享知识。 现在，当Sue向Jack要橱柜的钥匙时，Jack无法识别Sue的意图----她可能打算去学习，也可能打算去海边。 然而，这个计划如图17.9所示，是任意一者的子部分。这些计划在下一个动作上将产生分歧：Sue是取出课本还是沙滩上用的毛巾。现在，Jack可能对Sue的意图究竟是什么感兴趣，但为了理解Sue的请求并不需要识别Sue的意图。基于图17.9和出于一些预期的意图打开橱柜是一件合理的事这个知识，他已经为这个请求识别出充分的动机。 返回 这两个愿望相互矛盾，你的行为必须是这两者的某种折衷结果。你不可能同时既打算去海边又打算留在家里学习。意图与行为的关系紧密，因此你每次只能作其中一件事。 愿望似乎是下意识地产生的，并使你能对特定的状态作出评价。而意图来自于对动作必须遵循的过程的深思熟虑。再看一看图17.1，你可以看到愿望和信念被看作是某个思考过程的输入，这个思考过程最终提供了动作的一种执行过程，作为你的意图。 动作意图与指向未来的意图 动作的意图（intention in action）：指的是故意行为的性质。 指向未来的意图（future-directed intention）：反映的是对未来的行为作出的决定。 例1：你骑自行车是无意撞