Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-7164
Main Title: Semantic decomposition and marker passing in an artificial representation of meaning
Translated Title: Semantische Dekomposition und Marker Passing in einer künstlichen Bedeutungsrepräsentation
Author(s): Fähndrich, Johannes
Advisor(s): Albayrak, Sahin
Referee(s): Albayrak, Sahin
Unland, Rainer
Weyrich, Michael
Granting Institution: Technische Universität Berlin
Type: Doctoral Thesis
Language Code: en
Abstract: The research area of Distributed Artificial Intelligence aims at building intelligent agent systems. Multi-Agent Systems have been applied successfully in many domains, from an intermodal planning domain to cascading security thread simulations. But still, agents struggle with the meaning of concepts used in language. Intelligence needs language to form thoughts. Thus, the challenge addressed in this thesis is to provide a computable representation of meaning and evaluate its usefulness. Based on the theory of a mental lexicon and the thesis that meaning is a combination of symbolic and connectionist parts, I investigate the use of the theory of Natural Semantic Metalanguage (NSM) to build an artificial representation of meaning. I show that the use of NSM for creating a semantic graph out of different information sources can be utilized as a basis for Marker Passing algorithms. The Marker Passing algorithm encodes symbolic meaning to guide the reasoning over the connectionist semantic graph. Through the combination of a semantic graph and symbolic Marker Passing, I can combine connectionist and symbolic approaches to AI research to create my artificial representation of meaning. To test my approach, I build a semantic distance measure, a word sense disambiguation algorithm and a sentence similarity measure which all go head to head with the state-of-the-art. I apply those approaches to two use cases: A semantic service match marking and a context-dependent heuristics. I evaluate my heuristic by utilizing them in AI problem-solving component which uses AI planning guided by my heuristic.
Die Wissenschaft im Bereich der verteilten künstlichen Intelligenz untersucht unter anderem Multi-Agenten Systeme und deren Anwendung in verschiedenen Bereichen. Solche intelligenten verteilten Systeme finden beispielsweise erfolgreich Einsatz bei der Planung intermodaler Routen oder bei der Simulation von Kaskaden Effekten durch Sicherheitsbedrohungen. Dabei entwickeln Agenten immer mehr Intelligenz zur autonomen Lösunge von neuen Problemen. Agenten kämpfen jedoch noch immer mit der Bedeutung von Konzepten der natürlichen Sprache. Intelligenz benötigt jedoch Sprache um Gedanken zu formen. Deshalb wird in dieser Arbeit die Herausforderung angegangen eine künstliche Repräsentation von Bedeutung zu erschaffen und deren Nutzbarkeit zu evaluieren. Basierend auf der Theorie eines mentalen Lexikons und darauf, dass Bedeutung aus zwei Teilen besteht (Symbolischer und Konnektivistischer Bedeutung), untersucht diese Arbeit die Verwendung der Natural Semantic Metalanguage (NSM) zum Erstellen einer künstlichen Repräsentation von Bedeutung. Hauptaugenmerk liegt dabei auf der automatischen Erzeugung eines semantischen Graphen, der durch Marker Passing Ansätze genutzt werden kann. Der semantische Graph wird dabei basierend auf der NSM Theorie aus verschiedenen Informationsquellen automatisch erstellt. Der Marker Passing Algorithmus beschreibt dabei den symbolischen Teil unseres Ansatzes. Die symbolische Information der Marker wird dazu verwendet diese geeignet über den semantischen Graphen zu verteilen. Durch die Verteilung der Marker wird eine Art von Schlussfolgerung modelliert. Durch die so entstandene Kombination aus Dekomposition und Marker Passing kann eine Mischung aus symbolische und konnektivistische Bedeutung entstehen. Die so entstandene künstliche Repräsentation von Bedeutung wird durch mehrere Experimente getestet: Ich verwende sie um ein semantisches Distanzmaß zu bauen, erstellen einen Ansatz zur Auflösung von Mehrdeutigkeit von Worten in natürlicher Sprache und erzeugen einen neuen Ansatz zur Bestimmung von Satzähnlichkeit. Dabei konnte gezeigt werden, dass die so entstandenen Ansätze dem Stand der Technik in nichts nachstehen. Des Weiteren teste ich an zwei Anwendungen ob meine künstliche Repräsentation von Bedeutung wirklich Bedeutung formalisiert: erstens anhand einer semantischen Service Matching-Komponente und zweitens einer kontextabhängigen und zielorientierten Heuristik. Diese Heuristik wird durch den Einsatz in einem Planungsalgorithmus evaluiert.
URI: https://depositonce.tu-berlin.de//handle/11303/8001
http://dx.doi.org/10.14279/depositonce-7164
Exam Date: 19-Feb-2018
Issue Date: 2018
Date Available: 5-Jul-2018
DDC Class: 160 Logik
Subject(s): semantic decomposition
marker passing
language understanding
thinking machines
pragmatics
semantische Dekomposition
Sprachverständnis
denkende Maschinen
Pragmatik
License: https://creativecommons.org/licenses/by/4.0/
Appears in Collections:Inst. Wirtschaftsinformatik und Quantitative Methoden » Publications

Files in This Item:
File Description SizeFormat 
faehndrich_johannes.pdf8.63 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons