Wang, D. P., & Sadrzadeh, M. (2021). On the Quantum-like Contextuality of Ambiguous Phrases. ACL Anthology.✅
Dzhafarov, E. N., & Kujala, J. V. (2016). Context–content systems of random variables: The contextuality-by-default theory. Journal of Mathematical Psychology, 74, 74-84.✅
Abramsky, S. , & Coecke, B. (2004). A categorical semantics of quantum protocols. In Proceedings of the 19th Annual IEEE Symposium on Logic in Computer Science (LICS).✅
Dzhafarov, E. N., & Zhang, R. (2016). Is there contextuality in behavioural and social systems? Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374, 20150122.✅
Dzhafarov, E. N., & Kujala, J. V. (2019). Measures of contextuality and non-contextuality. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 377, 20190009.✅
引言
在计算机科学的领域，自然语言处理（NLP）作为人工智能（AI）的一个重要分支，致力于理解和处理人类的自然语言。虽然计算机编程使用的是形式语言，这些语言的构建旨在让计算机易于处理，但自然语言却充满了歧义和复杂性。这一领域的一个主要挑战是如何有效地解决这些歧义。近年来，随着大型语言模型（LLMs）的兴起，NLP在消歧义方面取得了显著进展。然而，这些模型仍然面临诸多挑战，包括可重复性、透明性和认知合理性等问题。
与此同时，量子计算的崛起为解决某些计算问题提供了新的思路，尤其是在机器学习和自然语言处理领域，混合经典-量子学习算法正在逐渐兴起。尽管如此，尚需进一步研究以识别哪些NLP任务能真正从量子优势中受益。本文将探讨在量子力学基础上构建的框架如何有效地分析人类的消歧义过程，并在此基础上提出量子模拟的可能性。
量子计算与自然语言处理的结合
量子计算的原理基于量子位（qubit）而非经典计算中的比特（bit）。量子位不仅可以取值为 $|0\rangle$ 或 $|1\rangle$，还可以是这两者的线性组合。量子计算的核心在于量子叠加和量子纠缠等现象，这些现象为数据处理提供了新的视角。在NLP中，量子计算模型能够处理复杂的语言现象，如歧义、上下文依赖等。
在本篇论文中，作者通过将量子力学中的形式化方法应用于语言学中的歧义问题，重现了心理语言学的结果，并用以预测人类的消歧义行为。这一方法的效果超越了当前的NLP技术，为消歧义过程提供了新的视角。
语义歧义的类型
词汇歧义
词汇歧义是当一个词具有多个解释时的情况。以“bank”为例，它可以指代金融机构，也可以指代河岸。在这种情况下，消歧义的任务是确定在特定上下文中“bank”的正确含义。
句法歧义
句法歧义则是指一个短语或句子可以有多种语法结构。例如，在句子“她看见了一个拿着望远镜的人”中，“拿着望远镜”可以是修饰动词“看见”的短语，也可以是修饰名词“人”的短语。句法歧义的解决通常需要更多的上下文信息。
共同指代歧义
共同指代歧义发生在文本中，代词指向的实体不明确。例如，在句子“我把CD放进电脑里，然后它坏了”中，“它”可以指代CD，也可以指代电脑。解决此类歧义通常依赖于对上下文的理解和推理能力。
量子模型在消歧义中的应用
本文采用了量子启发的模型，通过量子上下文性和因果性分析词汇歧义数据。研究结果表明，词汇歧义的消歧义过程不仅依赖于词的频率，还与上下文的选择密切相关。这种上下文依赖性体现了量子力学中的非定域性特征。
语义统计与量子上下文性
通过对词汇歧义的统计分析，研究发现，在不同的上下文中，词的解释呈现出量子样的上下文性。这意味着，词的含义不仅受其自身语义特征的影响，还受到上下文的动态变化影响。这一发现与量子上下文性理论一致，暗示在处理歧义时，语言的语境是不可或缺的。
量子模拟的潜力
在消歧义的量子模拟过程中，研究者使用了变分量子电路来模拟人类在自然语言中的消歧义行为。通过训练这些量子电路，研究者能够预测未见短语的不同解释的概率分布。这一过程展示了量子计算在NLP任务中的潜在优势，尤其是在处理复杂的歧义现象时。
结论
本文通过量子力学的形式化框架，深入探讨了人类消歧义过程的本质，揭示了语言歧义的量子特性。研究结果不仅为理解人类语言处理提供了新视角，还为未来的量子自然语言处理算法奠定了基础。通过结合量子计算和自然语言处理，研究者能够更好地理解和模拟人类的语言能力，以应对NLP领域中的各种挑战。
参考文献