Das Bedeutung-Text-Modell
Ein einzigartiger sprachlicher Rahmen
Inbentas Software basiert auf dem Bedeutung-Text-Modell und dessen Art und Weise natürliche Sprache zu verarbeiten. Auf diese Weise kann Inbentas spezialisiertes Linguisten-Team lexikalische Einheiten in verschiedenen Sprachen beschreiben.
Das Bedeutung-Text-Modell (Meaning–Text Theory oder kurz MTT) ist ein theoretisches linguistisches Gerüst, welches in Moskau von Aleksandr Žolkovskij und Igor Mel’čuk entwickelt wurde, um Modelle für natürliche Sprache zu erstellen. Das Modell bietet eine große und ausgefeilte Basis für linguistische Beschreibung und ist aufgrund seines formellen Charakters eine ideale Grundlage für Computer-Applikationen.
Eine wichtige Entdeckung des Bedeutung-Text-Modells war die Erkenntnis, dass die Elemente des Lexikons (lexikalische Einheiten) einer Sprache in einem abstrakten semantischen Sinn miteinander verknüpft werden können. Diese Verknüpfungen werden als lexikalische Funktionen (LF) bezeichnet.
Die Beschreibung des Lexikons ist daher ein entscheidender Aspekt von Inbentas Software.
Die lexikalischen Funktionen sind ein Tool, das speziell dafür entwickelt wurde, um Beziehungen zwischen lexikalischen Einheiten zu markieren und es erlaubt uns daher auf eine relativ einfache Art das komplexe lexikalische Netzwerk der Sprache zu beschreiben, und jedem Element im Satz ein semantisches Gewicht zuzuweisen. So können wir analoge Bedeutungen, egal in welcher Form sie erscheinen, verknüpfen.
Natürliche Sprachen sind restriktiver, als es auf den ersten Blick scheint. In den meisten Fällen finden wir Redewendungen früher oder später. Auch wenn diese unterschiedliche Grade an Flexibilität haben, sind die meisten Wendungen fest und müssen nach bestimmten Kriterien beschrieben werden. Hier einige Beispiele:
- Ein Ergebnis erzielen
- Einen Gefallen tun
- Eine Frage stellen
- Ein Gebäude errichten
All diese Beispiele zeigen uns, dass das Lexikon bestimmte Einschränkungen aufweist, da wir wohl kaum Ausdrücke wie “Eine Frage machen” oder “Einen Gefallen durchführen” in einem Text vorfinden werden. Der wichtigste Faktor bei der Analyse dieser Sätze ist, was die Bedeutung angeht, die Tatsache, dass eines der Elemente kaum Informationen liefert und die Bedeutung und das semantische Gewicht vom anderen Teil der Wendung ausgehen.
Der entscheidende Faktor hier ist, dass die semantische Verbindung zwischen dem ersten und dem zweiten Element in den Beispielen genau gleich ist. Grob sagen wir also “X machen” (ein Ergebnis, einen Witz, einen Gefallen, eine Frage, ein Gebäude).
Diese Art von Verknüpfungen kann mit der lexikalischen Funktion „Oper” beschrieben werden.
Das Bedeutung-Text-Modell umfasst rund 60 verschiedene Arten von lexikalischen Funktionen, unter anderem die Beschreibung von Synonymen (kaufen und erwerben beschreiben die selbe Handlung),
Hypernymie/Hyponymie (ein Hund ist eine Tierart), sowie andere Beziehungen zwischen lexikalischen Einheiten auf Satzniveau, wie die bereits erwähnte Funktion „Oper”. Dann gibt es z.B. noch die Beschreibung des Begriffs „viel”: Wer viel raucht ist ein starker Raucher, aber wer viel schläft ist keiner „starker Schläfer”. Wir können höchstens sagen, dass jemand schläft wie ein Murmeltier.
Die Linguisten von Inbenta verwenden die Grundsätze des Bedeutung-Text-Modells, um Sprachen zu beschreiben.
Das Ziel ist, dass User-Fragen, die oberflächlich völlig unterschiedlich sind, aber deren Bedeutung gleich ist, von unserer semantischen Suchtechnologie verstanden werden, sodass der User immer die beste Antwort auf seine Frage bekommt.
Sehen wir uns folgende mögliche User-Fragen an:
- Ticket für eine übergewichtige Person buchen
- Ich möchte ein Ticket für jemanden kaufen, der fettleibig ist
Obwohl unterschiedliche Wörter verwenden werden, ist die Bedeutung in beiden Fällen die selbe, also sollten beide Anfragen die selbe Antwort von einem virtuellen Assistenten bekommen. Inbentas semantische Suchmaschine basiert auf einem komplexen Netzwerk von lexikalischen Beziehungen, und kann daher verstehen, was der User in seiner Anfrage sagt, ganz egal wie die Frage formuliert wurde.
Integrieren Sie Inbenta mit
Ihrem Unternehmen
Fordern Sie eine Demo an, um Live-Beispiele und
Ergebnisse von Inbentas patentiertem NLP zu sehen
- 5 Anwendungsfälle für Versicherungs-Chatbots entlang der Customer JourneyDie Versicherungsnehmer haben die Kontrolle übernommen. Sie nutzen Online-Kanäle, um Versicherungsinformationen und Unterstützung im Self-Service zu erhalten – sofort, nahtlos und zu jeder Zeit. Laut Bericht aus dem Jahr 2021 […]
- Wie lassen sich Kundenbedürfnisse dank Automatisierung erfüllen?Wenn Sie wollen, dass Ihre Kunden dem Unternehmen treu bleiben, sollten Sie sicherstellen, dass Sie die Bedürfnisse der Kunden genau kennen. Dies wird Ihnen helfen, die richtigen Produkte und Dienstleistungen […]
- Vorteile von Chatbots im Gesundheitswesen: 9 Anwendungsfälle von Chatbots im Gesundheitswesen (2022)In diesem Artikel untersuchen wir die wichtigsten Vorteile und Anwendungsfälle von Chatbots im Gesundheitswesen und erläutern, warum Unternehmen im Gesundheitswesen sofort in Chatbots investieren sollten.
