Новый способ нахождения аналогов как возможность исследования языка, мышления и построения систем искусственного интеллекта

В статье представлен новый способ получения аналогов слов, отличающийся простотой и отсутствием необходимости предварительного обучения на больших данных, как в существующих методах. В предложенном методе аналоги определяются по их синтаксическим предикатам с применением методов дистрибутивной семантики. В исследовании были получены и проанализированы аналоги прилагательных, существительных и глаголов. Это позволило прийти к результату, который не уступает результатам, полученным с помощью наиболее популярного нейросетевого подхода word2vec, при качественном сравнении аналогов. Демонстрируемый метод показывает, что получение аналогов возможно на методах дистрибутивной семантики с применением более интерпретируемого метода, что открывает возможность исследования семантической аналогии. Данный метод позволяет также определять аналоги по определенной тематике. На основе полученных экспериментальных результатов формулируется оригинальное определение аналогов и когнитивных схем. Также в статье анализируется и обосновывается возможность нового подхода для создания систем искусственного интеллекта на основе исследованного метода. По мнению авторов, это дает значительные преимущества для создания таких систем. В частности, предлагаемый метод позволяет создавать более широкие обобщения на порядки меньших данных, а также обучение во время использования, что недоступно для нейросетей.

1. Mikolov Т., Chen К., Corrado G., Dean J. Efficient Estimation of Word Representations in Vector Space. https://arxiv.org/abs/1301.3781.

2. Митчелл М. Идиот или гений? Как работает и на что способен искусственный интеллект. М.: Издательство Corpus, 2022. С. 120‑145.

3. Anna Rogers, Aleksandr Drozd, Bofang Li. The (too Many) Problems of Analogical Reasoning with Word Vectors. Available. January 2017. https://www.researchgate.net/publication/318741605.

4. Aleksandr Drozd, Anna Rogers, Satoshi Matsuoka. Word Embeddings, Analogies, and Machine Learning. December 2016. https://www.researchgate.net/publication/311843169.

5. Carl Allen, Timothy Hospedales. Analogies Explained: Towards Understanding Word Embeddings. https://arxiv.org/abs/1901.09813.

6. Falcon Z. Dai, Word2vec Conjecture and ALimitative Result. https://arxiv.org/abs/2010.12719.

7. Michael SC Thomas and Denis Mareschal. 1997. Connectionism and psychological notions of similarity. In The Proceedings of the 19th Annual Conference of the Cognitive Science Society. Mahwah, NJ: Erlbaum, Stanford, USA. P. 757‑762. http://eprints.bbk.ac.uk/4611.

8. Louis Fournier, Ewan Dunbar, Paraphrases do not explain word analogies. https://arxiv.org/abs/2102.11749.

9. Tomáš Musil. Semantic Holism and Word Representations in Artificial Neural Networks. https://arxiv.org/abs/2003.05522.

10. Tal Linzen. Issues in evaluating semantic spaces using word analogies. https://arxiv.org/abs/1606.07736.

11. Paul Bartha. 2016. Analogy and analogical reason‑ing. In Edward N. Zalta, editor, The StanfordEncyclopedia of Philosophy, Metaphysics ResearchLab, Stanford University. Winter 2016 edition. https://plato.stanford.edu/archives/win2016/entries/reasoning-analogy.

12. Katrin Erk. What do you know aboutan alligator when you know the company itkeeps. Semantics and Pragmatics 9(17):1‑63. 2016. https://semprag.org/index.php/sp/article/view/sp.9.17.