ヨe,x,y Eating(e) ∧  Eater(e,x) ∧ Theme(e,y) ∧ Isa(y,EdibleThing)

当遇到像ate a hamburger这样的短语，语义分析器能够形成如下的表示：

ヨe,x,y Eating(e) ∧ Eater(e,x) ∧ Theme(e,y) ∧ Isa(y,EdibleThing) ∧ Isa(y,Hamburger)

这个表示是完全合理的，因为假如在知识库中有一个合理的事实集，y在范畴Hamburger中的成员属性与它在范畴Edible'Thing中的成员属性是一致的。相应地，诸如ate a take of的短语的表示将是非良构的，因为在一个类似事件的范畴，比如Takeoff中的成员属性与范畴EdibleThing中的成员属性不一致。

尽管该方法足够捕捉选择限制的语义，但直接使用时仍存在两个问题。首先，采用FOPC来进行施加选择限制的简单任务有“牛刀杀鸡”之嫌。完全可以采用更简单的形式体系，通过较少的计算开销来实现。第二个问题是，该方法预先假定存在一个大规模的关于组成选择限制的概念的事实逻辑知识库。遗憾的是，尽管这类知识库正在建设，但是还没有普遍使用，而且几乎没有达到任务所需规模的知识库。

一个更实际的方法，至少对英语来说，是利用WordNet信息库中的上下位关系。在该方法中，语义角色的选择限制是用WordNet的同义集而不是逻辑概念来表述的。如果填充语义角色的词位是由谓词给语义角色指定的同义集的上位词中的一个，则这个给定的意义表示可以被判断为良构的。

研究该方法用于下面的ate a hamburger例子的情形。在WordNet的60000个同义集中，包括下面的一个注释为：any substance that can be metabolized by an organism to give energy and build tissue（任何能够被生物体新陈代谢以供给能量和构建组织的物质）的同义集：

{food, nutrient }

有了这个同义集，我们可以将它指定为对动词ear的THEME角色的选择限制，也就是将这个角色的填充者限定为在这个同义集或其下位词中。幸运的是，图16.10中hamburger的上位关系链，显示hamburger确实是食物。

图16.10 WordNet中有关Hamburger可食用的根据

注意，在该方法中并不需要角色的填充者与限定的同义集之间严格匹配，而是只要填充者把限定同义集作为它的最终上位词中的一个，就可以满足选择限制。在hamburger的例子中，选择限定同义集比hamburger高出5个上位关系层。

当然，这种方法也容许单个词位在不同的具体化层次满足限制。例如，研究将该方法用于我们早先讨论过的动词imagine, lift和diagonalize的THEME角色时的情形。让我们将imagine的THEME角色限制为同义集{entity,something},lijft的THEME角色限制为同义集{object,physical object}, diagonalize角色限制为{matrix}。这种处理正确地容许 imagine a hamburger和lift a hamburger;而

且也正确地排除了 diagonalize a hamburger。

注意，这个方法依赖于在WordNet中出现的词位恰好能够指定所有可能的选择限制所需的准确概念。遗憾的是，我们并没有十足的理由相信在一个语言中用于选择限制的概念集恰好能够被这个语言中的词位所包容。在WordNet中通过使用搭配（比如physical object和snack food）,在一定程度上改善了这种情形。

下面更直接地说明这个问题，有许多分类体系介于诸如CYC（Lenat and Guha,1991)的常识知识库和诸如WordNet的词典库之间。这些混合模型中所包含的客体，不一定对应于单个词典项，而是对应于与语法和语义相关的那些概念。在大多数情况下，这些分类体系的上层部分用于表示领域和语言无关的概念，比如，物体、状态、事件和有生性等。PENMAN Upper Model是这些分类体系中最成熟的模型之一。

责任编辑：admin