Modellierung semantischer Eingrenzung und Ausschluss in der natürlichen Sprachinferenz

Wir schlagen einen Ansatz zur natürlichen Sprachinferenz vor, der auf einem Modell der natürlichen Logik basiert, welches gültige Inferenz durch ihre lexikalischen und syntaktischen Merkmale identifiziert, ohne vollständige semantische Interpretation. Wir erweitern die bisherige Arbeit in der natürlichen Logik erheblich, die sich ausschließlich auf semantische Eingrenzung und Monotonie konzentriert hat, um sowohl semantischen Ausschluss als auch Implikativität zu berücksichtigen. Unser System zerlegt ein Inferenzproblem in eine Sequenz atomarer Bearbeitungen, die Prämisse mit Hypothese verknüpfen; sagt eine lexikalische Implikationsbeziehung für jede Bearbeitung unter Verwendung eines statistischen Klassifikators voraus; propagiert diese Beziehungen nach oben durch einen Syntaxbaum gemäß den semantischen Eigenschaften der Zwischenknoten; und komponiert die resultierenden Implikationsbeziehungen über die Bearbeitungssequenz. Wir evaluieren unser System mit dem FraCaS-Testset und erreichen eine Reduzierung der Fehler um 27 % im Vergleich zu vorheriger Arbeit. Wir zeigen auch, dass die Hybridisierung eines bestehenden RTE-Systems mit unserem natürlichen Logiksystem erhebliche Verbesserungen im RTE3-Testset erzielt.