避免这种问题的一个方法是按不同的顺序来扩充成分。例如，选择哪个词做主语，取决于动词及动词短语的结构，比如是主动语态还是被动语态，等等。因此，先扩充动词短语，然后再生成适当的主语，可能是一种比较有效的做法。事实上，一种比较好的策略是，先扩充中心成分，然后再填入其他成分。图1给出了一种简单的实现算法。这种算法对一个成分列表进行操作，它和基本自顶向下句法分析器很相似。其过程是不断改写列表中的成分，直到列表全部由词法成分组成，表中的每一点都可生成一个词。

图1 中心成分驱动的实现算法

推广这个算法很容易，只须利用特定语法，借助回溯技术，可以遍历所有可能的实现方式。这种方法有效的原因是，首先扩展中心成分，算法可以很快到达词法一级，并选择最能影响整个句子结构的词。一旦选好中心词，成分中剩下的结构基本上都可以判断出来了。

让我们分析用语法2实现的算法，其初始输入是：

(S SEM (<PAST SEES1> s1 (NAME j1 "Jill") <THE d1 (DOG1 d1)>))

我们基于语法中的规则1改写了S成分，生成如下的成分列表：

(NP SEM ?semsubj)

(VP SUBJ ?semsubj

      SEM (<PAST SEES1> s1 (NAME j1 "Jill") <THE d1 (DOG1 d1)>))

非词法中心成分以斜体字表示。接下来对VP进行扩展。只有规则3符合SEM结构。根据匹配的结果，以下变量必然会出现：

?semv ←<PAST SEES1>

?v ← S1

?semsubj ← (NAME j1 "Jill)

?semnp←<THE d1 (DOG1 d1)>

在改写VP之后，得到成分列表如下。实例化列表中的所有变量，得到：

(NP SEM(NAME j1“Jill”))

(V[_np) SEM <PAST SEES1>)

(NP SEM <THE d1 (DOG1 d1)>)

由于没有非词法中心成分，算法现在先挑选出含有必不可少的SEM的非词法成分，比如第一个NP。只有规则5与之匹配，这样就得到词法成分（NAME SEM“Jill”），并输出成分列表：

(NAME SEM "Jill")

(V[_np] SEM <PAST SEES1>)

(NP SEM <THE d1 (DOG1 d1)>)

接下来再挑选剩下的NP。规则6与之匹配，这样就生成子成分（ART SEM THE）和（CNP SEM DOG1），并输出成分列表：

(NAME SEM "Jill")

(V[_np] SEM <PAST SEES1>)

(ART SEM THE)

(CNP SEM DOG1)

接下来选择CNP成分，并利用SEM DOG1将其改写为普通名词，这样算法就结束了。现在的成分列表是一串词类：

(NAME SEM "Jill")

(V[_np] SEM <PAST SEES1>)

(ART SEM THE)

(N SEM DOG1)

利用词法成分来生成句子“Jill saw the dog”还是很简单的。

本例用到的语法很简单，因此，句子只有一种实现方法。如果用更大规模的语法，会有更多的形式可供挑选。举例来说，如果只确定了SEM特征，那么句子生成器就会随机选择可以和动词搭配的主动句或被动句。对于其他情况，实现生成器可能还要在不同的次语类结构之中进行挑选。例如，同样的逻辑形式既可以用“Jill gave the dog to Jack”来实现，也可以用“Jill gave Jack the dog”来实现。根据词义的数量多少以及不同的词是否有公共意义这两个条件，句子生成器可能会从不同的逻辑形式词汇实现中随机挑选一个。例如，某个逻辑形式既可以用“Jill gave the money to the Humane Society”(Jill把钱给了慈善社团）实现，也可以用“Jack donated the money to the Humane Society”(Jack 把钱捐给了慈善社团）实现。

这些不同的形式在上下文中有不同的效果，但这些差异在逻辑形式中无法体现。如果一定要实现为某种形式，需要指定除SEM特征之外的其他特征。例如，可能需要为主动语态设定VOICE特征，这样才肯定能得到主动语态句。

责任编辑：admin