矛盾问题是指在现有条件下无法实现人们要达到的目标的问题。矛盾问题智能化处理的研究对现代科学的发展具有重要意义^[1]。可拓学研究的矛盾问题主要分为不相容问题和对立问题，本文主要讨论不相容问题。

解决不相容问题，一般包括6个步骤^[1]，其中第1个步骤就是建立问题的可拓模型。因此，要借助计算机智能化地处理不相容问题，首要的任务是准确地建立问题的可拓模型。

目前，建立可拓模型主要通过2种方式：1)在人充分理解问题的基础上，利用形式化符号手工建立。这种方式主要由少数专家和研究人员使用，对可拓学专业知识要求较高，不适合广大用户；2)通过可拓策略生成系统的界面输入问题相关的参数，来辅助系统建模。例如早期研究的自助游可拓策略生成系统^[2]、租房可拓策略生成系统^[3]、求职问题可拓策略生成系统^[4]等都是采用这种方式。但使用这种方式时存在2个问题：1)当参数过多时，输入界面通用设计变得困难；2)如果输入文字稍长，系统难以快速理解用户问题，建模效率低。

建立不相容问题的可拓模型，实际上是一个收集与问题P相关的信息，然后界定问题的目标G和条件L，形成可拓模型P = GL的过程。其中主要涉及到以下技术：

1)信息抽取技术

信息抽取技术是指从一段文本中抽取指定的事件、事实等信息，形成结构化的数据并存入一个数据库，供用户查询和使用的过程^[5]。从用户需求语句，抽取属性及量值，实际上就是一个信息抽取的过程。

2)领域本体

领域本体是用于描述特定领域知识的一种专门本体。它给出了领域实体概念、领域属性概念、领域属性值及相互关系，以及该领域所具有的特性和规律的一种形式化描述^[6]。实际上在可拓策略生成系统整个过程中，都需要借助领域本体知识。在建立模型时领域本体能够为抽取属性的种类、量值范围、量值单位提供一致的指导。

3)数据库技术

可拓策略生成系统需要借助数据库技术，存储基础数据、知识库、规则库等内容。在建立模型时用户提供的需求语句可能只提供了目标或条件之中的一个，或者提供了不完整的目标和条件，这些情况下需要利用数据库中数据对可拓模型进行补充和完善。

当前信息抽取还只是面向特定领域开展，能够真正实现大规模应用的信息抽取系统仍然未出现^[7]。知网的中文信息语义处理技术^[8]有一定的参考价值,但仍然不能直接用于建立可拓模型。在实际应用中，用户表达的语句通常会出现不完全合乎语法、信息省略、包含错别字、简写、歧义等情况，为信息抽取增加了难度。因此，结合实际问题需要，本文将从用户需求语句主要抽取的信息分为4类，如下：

1)可量化的量值

这类信息是指，用户表达的明确的属性和量值。例如:

例1 一个人想在沙坪坝租房，只租1个月，有空调、卫生间，房租大概350元。

这个语句中用户给出的区域、租金、租期和配套设施都属于可量化的量值。

2)抽象的量值

自然语言表达中通常会不自觉地出现一些抽象描述，当这些描述与可拓策略生成系统期望的量值类型不一致时，仍然需要抽取，以便做出更合理的决策。例如:

例2 我要在大连市内找工作，想租个房子,月租便宜点、交通方便点的。

这里用户提供的租金描述为便宜的、交通状况为方便的，都属于抽象量值，而可拓策略生成系统实际需要的为数量值。

3)优先级信息

用户语句中很可能通过“必须”、“一定要”、“最好”等关键字,来表达他的特殊需求，例如:

例3 想在滨州市新北中附近租房。便宜点的，合租也可以。一定要有暖气。

用户表达的需求“一定要有暖气”可作为可拓策略生成的一个筛选条件。

4)逻辑关系信息

逻辑关系，主要包括用户表达的并列、或者、否定、反义等逻辑关系。例如:

例4 我要在南宁市内租房，一室或者二室都可以,500元以内,不要中介的,安全的。

第1类信息的抽取，是一个命名实体识别的过程。命名实体识别 (named entity recognition,NER)的主要任务是识别出文本中的人名、地名等专有名称和有意义的时间、日期等数量短语并加以归类^[9]。实际研究中，命名实体识别的对象根据不同应用而有所改变，例如在医学文本中识别生物命名实体^[10]、中文旅游景点的识别^[11]等。目前命名实体识别主要的方法包括:基于规则和词典的方法、基于统计的方法、二者混合的方法。文献^[12]对比并指出了各个方法的优点和局限。

上述第2类信息的抽取是一个分类的过程。对于用户提供的不够具体的量值，首先确定其描述的内容属于什么属性，然后可以按2种方式处理。一种是为抽象描述提供预设值，例如为租金构造离散函数，根据值域分为便宜、一般、高价3个等级，这样用户提供的抽象值也可以量化。另一种是利用抽取的抽象值，指导后续的人机交互过程。

上述第3类和第4类信息，主要是在确定了属性和量值后，在这个量值所在的上下文环境中，通过有限状态机实现。构造一个包含表达优先级、反义这类信息的关键词的词典，通过有限状态机中状态之间转移来实现。例如量词短语“1000元”所在上下文为“租金超过1000元的就不要了”,首先获取的量值1000元，通过输入单词“超过”和“不要”，量值转换为最终的区间值[0,1000]。

在处理具体问题的用户需求语句时，时间、货币、日期等实体占据很大比例，其识别比较简单，可以在分类后采用模式匹配方式实现；而其他实体类数量比较少，识别比较困难。针对这一情况，本文决定采用混合的方法，即分类和规则匹配结合的方法来完成属性和量值的抽取。文献^[13]中采用混合的方法提高了命名实体识别的准确率和召回率。受到此方法的启示，本文从用户需求语句中提取信息时,先对用户语句进行组块分析获取短语序列；然后对短语序列进行分类，通过对分类后的短语使用规则匹配获取属性和量值；最后，使用这些属性和量值并结合数据库技术建立问题的可拓模型。

建立可拓模型的处理流程如图 1所示。

图 1 建立可拓模型的流程图Fig. 1 Steps to build extension model

图选项

预处理的主要目的是为了简化后续处理。这一阶段完成工作包括:过滤、替换、数据格式调整、分词。过滤主要是过滤客气词(例如“请问”)、语气词(例如“急求”)、询问相关词(例如“有没有”)。替换包括错别字替换(例如“500一下”替换为“500以下”)和同义词替换(例如“旁边”、“周围”等替换为“附近”)。数据格式调整，包括数值都使用数字表示，数值范围调整为统一格式。分词时保留原句中的逗号等分隔符，将长语句分割为短语句，得到多个短语句的分词序列。

组块是一种语法结构,是符合一定语法功能的非递归短语^[14]。组块分析包括组块的划分和识别，也就是识别出语句中像动词短语、形容词短语这类短语的过程。本文借助Stanford Parser来完成组块分析。Stanford Parser中文解析器是基于Chinese Treebank的，具体的组块标记可参考文献^[15]。

在实验的过程中，发现组块切分的粒度，对于抽取的信息数量有较大影响，尤其是当用户语句中量值信息密度较大时。

例5 2个800块以内的单间。

预处理后形成的语义树，如图 2所示。在此片段中，需要抽取包括房间数量(两间)，租金(800块以内)以及房子样式(单间)在内的3个属性和量值。如果仅切分为一个NP短语，那么后续阶段处理时可能漏掉属性；而切分为QP、DNP和NP，借助上下文信息，则能很好地捕获3个属性信息。

图 2 例5对应的语法树Fig. 2 The parse tree of the fifth example

图选项

Chinese Treebank提供了17个短语标记，其中CP、IP和UCP粒度过大，需要处理其内部节点；PRN、LST和DP一般不出现在用户需求语句中，不予处理；CLP类型需要处理其上级QP短语，VP、DNP、DVP需要处理其内部节点；FRAG是不能构建完整结构的片段元素，也需要处理其内部节点；主要处理的类型包括PP、QP、NP、LCP、ADJP、ADVP 6种短语。

6种主要短语中，最复杂的是NP。NP分为简单名词短语和复合名词短语。简单名词短语由单个普通名词NN、专有NR、时间名词NT构成；复和名词短语的情况主要包括5种情况，QP-NN复合(例如“一个月”)、NN-NN复合(例如“个人房源”)、NN-CC-NN复合(例如“空调和洗衣机”)、多个时间名词复合(例如“3月29日”)，以及NR与若干个NN复合(例如“北京海淀区附近”)。

根据上述分析，采用自底向上的搜索方法来获取短语序列，实现伪代码如下所示：

getPhraseList(Tree root,List phList) {

root = pruneTree(root);leaves = root.leaves;

while(!leaves.isEmpty()) {

    curLeave,tNode = leaves^[0],null

    p₂ = curLeave.ancestor(2,root);

    switch(p₂ .label) {

        case "QP":

tNode=handleQP(root,p₂ ,phList);break;

    case "NP":

tNode=handleNP(root,p₂ ,phList);break;

    case "LCP":

tNode=handleLCP(root,p₂ ,phList);break;

    case "ADJP","PP","ADVP":

            phList.add(chToStr(p₂.label,p₂);

        tNode=p₂ ;break;

default:

handleDefault();break;

}

if(tNode!=null)

            leaves.remove(tNode.getLeaves());

        else leaves.remove(curLeave);

其中pruneTree完成语法树的剪枝工作，移除SP、PN、PU等标记的节点，移除一些常见动词(例如“想”)，副词AD和形容词JJ仅保留词典中存在的词；ancestor为从当前节点向上获取父节点，参数为向上查找层数。handelDefault处理的是默认情况，默认情况下仅处理包括动词VV，形容词VA，名词NN这些单词。对于这类词，不使用包含它们的父节点类型标记它们，而是直接使用它的词性作为标记，将他们作为其他短语的上下文环境保留起来，以便于后续的分类工作。handleQP、handleNP、handleLCP3个函数分别处理QP、NP、LCP短语。给定例句：

例6 一个人想在郑州中央商务区附近租个350块左右单间。

使用分类算法的关键是找到有效的特征向量。本文选取的特征包括：短语类型，包含测试特征，以及词或者词性特征。包含测试特征是对短语是否包含某类词，进行测试而得到的整型值。不同短语测试后的特征个数也不统一，因此把包含测试特征附加到短语类型上，作为一个特征。共选取了6个特征用于分类，如表 1所示。

包含测试特征中，连词是指标记为CC的单词，序数词是标记为OD的单词,时间是指标记为NT的单词，数词是指CD或者OD的单词。包含地址测试需要借助分词系统完成，使用单词的词性测试其是否属于地址类词性。

需要注意，某些单个NN(例如“单间”)、VA(例如“便宜”)、VV(例如“合租”)本身就能表达一个量值，用户很可能单独使用它们来表达需求，因此，需要将这类词记录在词典中。在遇到这类词时，将其添加到分类任务中，这类单词的特征列在表 1的末尾3行。

PP短语中，如果末尾词是普通名词则使用单词本身，否则使用其词性。包含单个NN的NP，将以NN标记独立处理。对于其他NP，如果包含地址或日期，名词1和名词2置为空。对于不包含地址或日期的复合名词短语，需要特别处理。2.2节中提到的NN-NN和NN-CC-NN类短语，将其2个NN作为名词1和名词2填充；NR与若干NN复合的情形，将NR与NN连成一个词，作为名词1填充，名词2置为空。

在有监督的分类器训练的过程中，根据问题和关注的属性，使用不同的标签。与问题无关的短语或词，统一标记为无关类，在后期过滤掉这些内容。使用训练后得到的分类器，对短语序列分类，并合并相邻的同类标签，得到最终分类后的短语序列。

对分类后的短语，针对每一类别，建立一系列匹配规则来抽取量值。匹配时间和数字类表达式的规则比较通用；对于名词、动词、形容词等可以根据分类结果，借助词典来更准确地确定边界。

例如租房问题中，匹配区域的规则,用正则表达式书写并按照优先级列出如下:

rule 1: (在?)(.*)(附近)

rule 2: (在|靠近)?(.*)(租)

rule 3: (离|靠|距)(.*)(近)

rule 4: (在?)(.*)(环)

rule 5: (在?)(地铁|公交)(.*)(线|路)

rule 6: 拼接词性表示地点的单词

除了匹配外，还需进行3项工作:

1)理解优先级、逻辑关系

在短语对应的原文中获取表达这类信息的关键词，通过有限状态机，即可获取用户真正要表达的量值。这种方法仅在用户将关键词混在多个量值之间，并且不加任何分隔符的情形下失效。在实际应用中这种情形出现的概率很小。

2)同类合并和歧义消解

对于集合类型的量值，需要对量值进行归并；对于单一类型的量值，需要根据量值特点，进行歧义消解。例如用户首先提供了一个范围比较大的地址，接着又补充了一个小范围地址，可以使用大地址后加上小地址的方式，准确定位地址。

3)量值标准化

同一属性的不同量值需要转换为单位统一的量值，以便于处理。例如租房问题中用户提供租期属性的量值，可能是“半个月”,“半年”,“一个星期”等可以统一调整到以月为单位的数量值。

经过这一阶段的处理，得到了最终的属性字典。例6最终得到属性字典如下:

{区域:郑州中央商务区,租金:[0,350],样式:单间,住户人数:1,租房数量:1}

这一阶段，使用上一阶段获取的属性字典，并结合数据库技术，建立可拓模型。首先将属性字典中各个属性和量值填充到目标或者条件基元中去。对于目标或者条件基元中缺少的部分，则需要根据领域本体，借助数据库或者人机交互来补充。

经过上述流程的5个阶段，最终从用户语句建立了可拓模型。

文献^[3]给出了一个租房问题，下面以此问题为背景来展开实验。实际语料中用户表达的属性通常都有多个，本文一共关注了16个属性，表 2给出了部分属性的示例。

一般地，上述多个属性，可以根据实际应用情况，为每个属性分配不同的权重用于指导可拓策略的生成和评价过程。

在实验过程中使用的资源包括:

1)语料资源，在百度和好搜两大网络平台，使用爬虫程序抓取到与租房问题相关的语句；

2)分词系统，使用哈工大讯飞语言云服务；

3)组块分析，使用斯坦福中文解析器；

4)分类器，使用张乐博士maxent工具箱；

5)词表，手工编制了2个词表，预处理词表大小为600，匹配使用的词表大小为140；

6)数据库，修改了文献^[3]中爬虫程序，获取了租房信息的数据并存贮在数据库中；

7)条件随机场，使用CRF++工具箱。

按照惯例，使用信息抽取任务中的准确率P、召回率R以及F值来评测系统性能。作为对比试验，选取文献^[16]中用于识别微博命名实体的条件随机场方法，并使用了文中的特征模板。采用4-tag(B、M、E、S)对每个属性进行标注，利用CRF++工具进行了实际抽取工作。在处理的语句中，采用10-cross validation验证方法，得到的平均正确率P、召回率R、F值，如下表 3所示。

上述结果表明，本文方法同CRF方法相比，性能有所提高。其中，准确率的提高在于使用了匹配规则抽取分类后的短语；召回率的提高在于使用组块分析后，对短语进行分类。CRF对样本依赖比较大，当样本容量较小时，本文方法更具优势。

文献^[3]中策略系统只考虑了区域、租金、交通状况和面积4个属性。利用本文方法，不仅能获取更多的属性，还能理解抽象量值、优先级关系和逻辑关系，从而能更容易地为用户生成理想的策略。

对用户语句进行信息提取后，结合数据库检索技术，就能建立最终的可拓模型。例如对于语句：

例7 广州大学旁求租房！不想通过中介，3月29号左右可以入住，拟租时间3个月以上，希望有一室一卫的公寓，能连接宽带，月租不超过600都可以。通过上述方法，从用户需求语句，获取了目标物元M；并从数据库中查找到一条最接近用户目标的房子，确定为条件物元L。则最终确定了问题的可拓模型表示为

在完整的可拓策略生成系统中，下一步工作就是由可拓模型，求出核问题模型。当核问题模型中的条件满足目标的要求时，就不是不相容问题，不需要解决，说明系统帮用户找到了所需要的房子。当核问题模型中的条件不满足目标的要求时，就是不相容问题，需要利用可拓策略生成系统，首先判断问题不相容的程度，然后通过拓展、变换和评价，生成解决不相容问题的策略。策略生成的详细步骤参见文献^[3]。

本文通过对用户需求语句进行组块分析后得到的短语序列进行分类，并结合匹配规则进行信息抽取，得到了计算机较容易识别的需求信息。这种方法有效实现了从用户需求语句到可拓模型的转换，减轻了人的劳动，提高了可拓模型建立的效率和质量，为可拓模型的建立提供了新的方法。

试验表明本文的方法已经得到比较满意的结果。今后还可以通过2种方式进一步完善：1) 针对特定问题，在分词时使用用户字典，提高分词的准确率；2) 使用实际语料训练Stanford Parser，提高它词性标注和句法分析的准确率。

另外，限于目前本项目还没有建立通用的问题语料库，本文仅实现了租房问题案例。下一步工作是建立其他问题的语料库并进行相关测试，以利于开发较为通用的可拓策略生成系统。