首页 理论 架构 工程 规划 文档 白皮书 著作 研究 规范 下载 博客 关于 联系 开始使用 →

第二十三章 语义相关性的定义与计算

《WSaiOS结构智能(WSaiOS-SI)理论工程》

第十九卷:动态语义库理论与工程

第二十三章 语义相关性的定义与计算

语义相关性是动态语义库连接动态语义需求、外部资源、语义单元、现有知识结构与事实核验过程的重要机制。它解决的核心问题是:当系统面对大量对象、信息、主张、关系和候选资源时,如何依据当前需求与知识结构,判断哪些内容与目标存在实际语义联系,以及这种联系在多大程度上满足当前任务的要求。

在 WSaiOS结构智能(WSaiOS-SI)中,语义相关性不是简单的关键词重合率,也不是自然语言表达之间的表面相似程度,更不是事实真实性的直接度量。它必须建立在明确的语义对象、结构关系、任务目标、适用条件和判断规则之上。

例如,动态语义需求是确认某款电动牙刷是否取得某项认证。系统检索到一份包含“电动牙刷”“认证”等词语的网页,只能说明该网页可能与检索表达有关,不能直接证明它与目标产品对应,更不能证明该产品已经取得认证。

如果另一份资料没有使用检索表达中的相同词语,却准确记录了目标产品的型号、认证编号、适用范围和有效状态,那么它可能具有更高的任务相关性。

因此,语义相关性的计算必须从真实的任务和知识结构出发,判断候选内容与目标之间的语义联系、结构对应程度、条件适用程度和任务支持程度,并明确相关性结果的适用范围。

本章围绕语义相关性的定义、结构基础、计算对象、计算维度、综合计算、结果解释、动态更新和工程实现展开论述,建立适用于 WSaiOS-SI 动态语义库的语义相关性理论与计算机制。

23.1 语义相关性的基本定义

23.1.1 语义相关性的定义

语义相关性,是指在明确的任务目标、语义需求、知识结构和适用条件下,某个候选对象、资源、语义单元、主张、关系或知识结构,与指定目标之间所具有的语义联系及其对目标任务的适用程度。

这一概念包含四个基本要素。

第一,目标明确。语义相关性必须针对具体目标进行判断,不能脱离任务,仅凭候选内容自身判断其是否相关。

第二,语义联系明确。相关性应当说明候选内容与目标之间存在什么联系,例如对象对应、属性匹配、关系支持、条件满足或知识补充。

第三,适用范围明确。相关性判断必须考虑时间、条件、对象身份、任务范围及其他必要约束。

第四,结果可以解释。系统不仅应当产生相关性判断,还应当能够说明判断依据、成立条件、缺失信息和限制。

因此,语义相关性不是候选内容自身永久不变的属性,而是候选内容与特定目标之间的一种关系。

同一份资料对于不同任务,可以具有不同的语义相关性。

例如,一份电动牙刷产品说明书可能与产品功能查询高度相关,但对于确认产品认证状态,只有其中涉及认证信息、型号对应或相关证明材料的部分才可能具有直接作用。

反过来,一份认证机构的公开记录可能与认证核验高度相关,却不一定适合用于判断产品的清洁模式、零售价格或使用体验。

由此可见,语义相关性必须以目标为参照,并随任务需求和适用条件变化而变化。

23.1.2 语义相关性与一般信息相关性的区别

一般信息相关性可以用于描述某项内容与某个主题之间存在联系。

语义相关性则要求进一步识别这种联系的具体含义。

例如,某篇文章讨论电动牙刷行业的发展趋势,它与“电动牙刷”这一主题有关。

但如果当前任务要求确认一个特定型号的生产厂家,这篇文章即使与行业主题高度相关,也未必能够提供所需知识。

如果另一份资料直接记录该型号的生产厂家,即使文章篇幅很短、涉及的主题范围很窄,它也可能更符合当前任务。

因此,主题相关性只能作为语义相关性的一个可能组成部分,不能替代对象、属性、关系和条件层面的判断。

23.1.3 语义相关性不是事实真实性

语义相关性与事实真实性必须严格区分。

一项主张可以与任务高度相关,但内容可能是错误的、过期的、未经证实的或适用范围不一致的。

一项主张也可以是真实的,但与当前任务没有直接关系。

例如,某份资料确实准确地介绍了某产品的生产历史,但当前任务是核验该产品的认证有效期。该资料可能是真实的,却无法直接支持目标认证主张。

相反,一份网页可能直接声称该产品取得认证,与当前任务高度相关,但如果它缺少可追溯的证据,仍然不能据此确认认证事实。

因此:

  • 相关性回答:候选内容与目标有什么联系?

  • 真实性判断回答:相关主张是否符合事实?

  • 来源可靠性判断回答:来源是否具备相应的可信依据?

  • 证据充分性判断回答:现有证据是否足以支持当前结论?

  • 适用性判断回答:该内容是否适用于当前对象、条件和任务?

这些判断之间存在联系,但不能相互替代。

23.1.4 语义相关性的基本原则

WSaiOS-SI 的语义相关性计算应当遵循以下原则:

  1. 需求驱动原则:相关性必须服务于明确的语义需求或任务目标。

  2. 结构对应原则:判断候选内容与目标对象、属性、值、关系和条件之间的联系。

  3. 条件约束原则:必要条件不满足时,不能仅靠其他维度的高分掩盖问题。

  4. 证据分离原则:相关性高不代表证据充分,更不代表事实已确认。

  5. 可解释原则:结果应能够追溯到具体的语义关系和判断依据。

  6. 动态更新原则:任务、知识、条件和资源发生变化时,相关性应当重新评估。

  7. 结构可扩展原则:相关性维度应根据真实任务和结构定义确定,不固化为行业专用字段模板。

  8. 独立运算原则:语义相关性建立在 WSaiOS-SI 自身的结构、规则和运算体系上,不依赖大模型逻辑。

23.2 语义相关性的结构基础

语义相关性不是孤立的数值计算,而是建立在结构关系上的判断过程。

WSaiOS-SI 的基本结构原则为:

\[ \text{Element}+\text{Relation}\rightarrow\text{Structure} \]

语义相关性需要识别候选内容中有哪些元素,这些元素指向什么对象,与目标之间存在什么关系,以及这些关系是否满足当前任务的要求。

23.2.1 需求结构与候选结构

设当前动态语义需求对应的目标结构为 \(S_q\),候选内容经过解析后形成的结构为 \(S_c\)。

这里:

  • \(S_q\) 表示任务要求的语义结构。

  • \(S_c\) 表示候选内容中实际识别出的语义结构。

两者不要求具有完全相同的组成形式,也不要求使用相同的属性名称或表达方式。

相关性计算需要判断:候选结构中的哪些元素和关系能够对应目标结构中的要求,哪些内容只能提供间接支持,哪些内容与目标无关,以及哪些必要部分仍然缺失。

例如,目标结构要求识别一个产品对象、一个认证主张、适用型号、认证范围和有效状态。

候选资料可能只提供产品型号和认证编号,未提供有效状态。

这份资料并非完全不相关。它可能与对象对应和认证身份核查高度相关,但对于确认当前有效状态仍然不充分。

因此,语义相关性应当能够表达部分对应,而不是只允许完全匹配或完全不匹配。

23.2.2 元素相关性与关系相关性

语义相关性至少需要区分元素层面的相关性与关系层面的相关性。

元素相关性用于判断候选内容中的元素是否与目标所需元素对应。

例如,候选内容是否指向目标产品、目标属性或目标认证项目。

关系相关性用于判断候选内容中的关系是否与目标所需关系对应。

例如,某项认证记录是否属于指定型号、某个数值是否描述指定属性、某个状态是否适用于当前时间。

元素匹配正确,不意味着关系匹配正确。

一份资料可能准确识别了目标产品,却把另一个型号的认证记录关联到该产品。

在这种情况下,元素层面存在较高的对应程度,但关系层面存在明显问题。

如果系统只依据关键词或对象名称计算相关性,就可能将错误关联的资料排在前面。

因此,结构智能必须分别检查元素与关系,并在需要时把关系成立的必要条件作为约束。

23.2.3 对象、属性和值的相关性

对象、属性和值是语义相关性计算中经常需要区分的三个层次。

对象相关性回答候选内容是否指向目标对象。

属性相关性回答候选内容是否涉及目标需要判断的属性。

值相关性回答候选内容提供的值是否能够用于当前目标的判断。

例如,某份资料指向正确的电动牙刷型号,并且提到了认证属性,但没有提供认证状态的具体值。

此时,对象相关性可能较高,属性相关性也较高,但值层面的信息仍然不足。

如果另一份资料提供了认证状态,却没有说明适用型号,那么它可能与目标属性有关,但对象对应仍然不确定。

因此,不能仅凭候选内容中出现了目标属性,就认为它已经满足目标需求。

23.2.4 方法与规则的相关性

语义相关性也可能涉及方法和规则。

当任务要求判断某项结论是否成立时,候选规则是否适用于当前对象、条件和任务,会影响其实际作用。

例如,一项认证判断规则可能适用于某种认证类型,却不适用于另一种认证类型。

如果系统只根据规则文本中包含的关键词判断相关性,而没有检查规则的适用范围,就可能将不适用的规则用于当前判断。

因此,规则相关性不仅取决于规则描述,还取决于规则的对象范围、成立条件、使用权限、版本及其与当前任务的关系。

同样,方法与任务在语义上相关,也不代表当前系统一定具备执行该方法所需的能力。

方法相关性、方法适用性和方法执行能力是三个不同的判断问题。

23.3 语义相关性的计算对象与层次

语义相关性计算首先需要明确计算对象。不同对象具有不同的比较依据,不能使用一个未经区分的计算结果代表所有层次。

23.3.1 需求与资源的相关性

需求与资源的相关性用于判断某个外部资源是否值得进入后续解析、语义单元识别和证据分析流程。

此时,系统关注资源是否可能提供目标所需的信息,以及资源覆盖的对象、主题、条件和范围是否符合需求。

资源相关性主要服务于资源发现和处理排序。

即使资源与需求高度相关,也不意味着资源中的所有内容都与目标相关,更不意味着其中所有主张都真实。

因此,资源相关性通常是后续处理的筛选依据,而不是最终事实判断。

23.3.2 需求与语义单元的相关性

一份资源可能包含多个语义单元。

其中某些单元与当前需求直接相关,另一些单元只是背景信息,还有一些单元可能完全无关。

因此,系统需要在语义单元层面重新评估相关性,避免把资源整体的相关性直接传递给其中所有内容。

例如,产品说明书可能同时包含产品型号、包装尺寸、使用方法、售后服务和营销描述。

如果当前任务只核验产品认证状态,那么与认证对象、认证范围、认证编号或有效状态有关的单元更值得进入后续分析。

这种细粒度判断可以减少无关信息干扰,也可以提高后续核验的效率。

23.3.3 主张与目标问题的相关性

语义主张是能够在明确范围内进行判断的语义内容。

主张相关性用于判断某项主张是否直接涉及当前待解决的问题。

例如,目标问题是“该型号是否具有某项认证”,而候选主张是“该品牌在某年推出了一款新产品”。

两者可能属于同一品牌或产品领域,但候选主张并不能直接回答目标问题。

如果候选主张是“该型号的认证编号为某编号”,它就可能与目标问题具有更直接的联系。

但是,即使后一项主张高度相关,也仍然需要独立开展事实核验。

23.3.4 关系与目标关系的相关性

关系相关性用于判断候选关系是否对应当前任务需要的关系。

例如,目标要求确认“认证记录—适用型号”的对应关系。

候选资料即使包含正确的认证名称,如果没有证据说明该认证记录适用于目标型号,就不能被视为已经建立了目标所需的关系。

关系相关性特别适合处理以下问题:

  • 某项属性值是否属于指定对象。

  • 某项证据是否支持指定主张。

  • 某个规则是否适用于当前条件。

  • 某项状态是否对应指定时间。

  • 某个方法是否能够解决当前知识缺口。

在结构智能中,关系是构成知识结构的重要基础。因此,关系相关性不能被元素相关性完全替代。

23.3.5 证据与主张的相关性

证据相关性用于判断某项证据是否针对特定主张提供支持、反驳、限定或其他具有判断意义的信息。

证据与主张之间可以存在不同类型的关系。

直接支持主张的证据,通常比仅提供背景信息的资料更适合进入该主张的核验过程。

反驳主张的证据同样具有较高的核验相关性,但它的作用不是支持主张,而是要求系统重新评估主张。

因此,相关性不能被简单解释为“支持程度”。

一项反驳证据可以与主张高度相关,却对主张的成立形成负面影响。

这说明语义相关性主要判断证据是否与目标判断有关,而证据的支持方向、证明能力和充分性需要通过后续运算分别确定。

23.3.6 相关性层次之间的关系

以上层次相互关联,但不能直接替代。

需求与资源相关性用于筛选资源;资源与语义单元相关性用于筛选内容;主张相关性用于确定需要判断的具体内容;关系相关性用于确认结构对应;证据相关性用于确定证据与主张之间的判断联系。

如果资源与需求相关,并不意味着资源中的每条主张都相关。

如果主张与需求相关,并不意味着其证据充分。

如果证据与主张相关,并不意味着证据支持该主张。

如果证据支持某项主张,也不意味着其支持程度足以满足最终核验要求。

因此,相关性计算应当明确层次,并在必要时建立层次之间的传递关系,但不能无条件地将某一层次的分数直接传递到另一层次。

23.4 语义相关性的计算维度

语义相关性不是固定不变的单一指标。不同任务可能需要不同的判断维度,但这些维度应当有明确的语义含义。

WSaiOS-SI可以根据真实任务、结构定义和判断规则,动态确定相关性计算所需的维度。

以下维度构成一种可扩展的分析框架,不是要求所有任务必须采用同一组字段或固定权重。

23.4.1 目标对应程度

目标对应程度用于判断候选内容是否指向当前任务要求的对象、主张或问题。

例如,候选资料是否针对指定产品型号,而不是同品牌的其他型号。

目标对应程度可以依据对象标识、版本关系、明确的属性关系和其他能够支持对象识别的信息进行判断。

当目标对象尚未确认时,系统应保留候选对应状态,不能仅凭名称相似就将其认定为目标对象。

23.4.2 属性对应程度

属性对应程度用于判断候选内容是否涉及当前需求所要求的属性。

例如,目标要求核验认证有效期,而候选内容仅描述产品外观,则其对该属性的直接作用有限。

如果候选内容明确记录了认证有效期,则它在属性对应层面可能具有较高的相关性。

但是,属性对应程度仍然不能说明该属性值真实,也不能保证它适用于目标对象。

23.4.3 关系对应程度

关系对应程度用于判断候选内容中的关系是否符合当前任务要求。

例如,资料是否明确将某项认证记录关联到目标型号,或者是否明确指出某个数值对应哪一种工作状态。

当任务依赖特定关系时,该维度可能是必要条件,而不是可以被其他维度的高分补偿的普通评分项。

如果关系没有得到确认,系统就不能仅凭对象和属性名称都相符而认定候选内容已经满足需求。

23.4.4 条件适用程度

条件适用程度用于判断候选内容是否适用于当前任务的条件。

条件可以涉及时间、对象版本、使用环境、地域范围、有效期限、适用规则或其他实际影响判断的限制。

例如,某项认证记录曾经有效,但当前任务要求判断其现在是否有效。此时,历史记录可能具有一定的背景相关性,却不能单独满足当前有效状态的判断要求。

条件适用程度必须根据实际任务确定。

如果某项条件是必要条件,就应当作为约束检查;如果条件只影响候选内容的优先级,则可以作为综合计算维度。

23.4.5 信息覆盖程度

信息覆盖程度用于判断候选内容覆盖了目标需求中的哪些必要部分。

例如,目标要求确认产品型号、认证类型、适用范围和当前状态,而候选资料只提供型号和认证类型。

这份资料能够覆盖部分目标要求,但仍然存在信息缺口。

覆盖程度可以帮助系统区分完全覆盖、部分覆盖和覆盖不足的候选内容。

然而,覆盖程度不能取代必要条件检查。即使一份资料覆盖了多数要求,只要缺少某个不可缺少的条件,它就可能无法单独支持最终结论。

23.4.6 语义解释一致程度

语义解释一致程度用于判断候选内容与目标之间是否具有一致的语义含义。

这里的“一致”不是要求使用相同的词语,而是要求经过必要的语义解释后,候选内容能够表达目标所需的概念或关系。

例如,不同资料可能采用不同名称描述同一种属性,也可能使用不同的表达方式说明同一类状态。

如果这些表达经过对象、上下文和关系检查后能够建立合理对应,就不应因为文字不同而降低其全部相关性。

反过来,两个表达使用相同词语,但指向不同概念或不同适用范围,也不能因为词语相同就认定语义一致。

23.4.7 任务支持程度

任务支持程度用于判断候选内容对当前任务的实际帮助。

例如,某项资料虽然与目标产品高度相关,但并不能解决当前的认证核验问题;另一项资料可能篇幅很短,却直接提供了认证编号和适用型号。

在当前任务下,后一项资料可能具有更高的任务支持程度。

这一维度应当以任务所要求的知识缺口为依据,而不能以文本长度、信息数量或一般主题相关性代替。

任务支持程度也不等于事实支持程度。候选内容可能有助于确定下一步检索方向,却不能直接证明目标主张成立。

23.4.8 维度的选择原则

上述维度并不要求同时参与每一次计算。

如果当前任务只需要筛选主题相关资源,可能不需要立即计算全部结构关系。

如果当前任务要求确认一个具体对象的特定属性,则对象对应、属性对应和条件适用可能成为关键维度。

如果当前任务要求核验事实主张,则需要在相关性计算之外进一步检查证据的支持方向、来源可靠性和充分性。

系统应当依据当前任务的结构定义,选择真正有意义的维度,并明确哪些维度是必要条件、哪些维度可以参与综合排序、哪些维度只能用于解释。

23.5 语义相关性的计算模型

为了使语义相关性能够被工程系统执行,需要将相关性定义转化为具有明确输入、处理规则和输出含义的计算模型。

23.5.1 基本计算模型

设:

  • \(Q\) 表示当前动态语义需求或目标。

  • \(C\) 表示候选对象、资源、语义单元、主张或关系。

  • \(D(Q,C)\) 表示根据当前任务确定的相关性判断维度。

  • \(R(Q,C)\) 表示候选内容与目标之间能够识别的语义关系。

  • \(K(Q,C)\) 表示当前任务适用的条件和约束。

  • \(E(Q,C)\) 表示用于支持相关性判断的依据。

语义相关性可以表示为:

\[ \operatorname{Rel}(Q,C) = F\bigl(D(Q,C),R(Q,C),K(Q,C),E(Q,C)\bigr) \]

其中,\(F\) 表示依据当前任务规则执行的相关性计算过程。

这一表达式是 WSaiOS-SI 语义相关性的概念模型,不是预先确定的通用数值公式。它说明相关性结果应当依据哪些类型的信息形成,而不是规定所有场景都必须使用相同的数学函数。

对于某些任务,相关性可以通过规则判断直接得到定性结果;对于适合数值计算的任务,也可以将不同维度映射为可比较的数值。

无论采用何种计算形式,都必须保留相关性结果的语义含义、适用条件和判断依据。

23.5.2 计算输入的形成

语义相关性计算的输入不能仅仅是一段检索文本和一段候选文本。

系统应当首先确定当前任务要求解决什么问题,以及这一问题对应的知识结构。

例如,任务要求核验某项产品认证状态时,计算输入可以包括:

  • 当前需要确认的认证主张。

  • 目标产品及其可识别信息。

  • 目标认证项目。

  • 相关时间与适用范围。

  • 当前已知的必要条件。

  • 当前仍未解决的知识缺口。

  • 候选内容中已经识别的对象、属性、值和关系。

  • 候选内容的来源与上下文信息。

这些内容并不意味着需要建立一套固定字段模板,而是说明计算所需的信息必须具有明确的语义作用。

如果某个输入尚未获得,系统应当将其标记为未知或待确定,而不是使用未经证实的默认值填补。

23.5.3 定性相关性计算

在结构信息尚不充分或任务规则不适合数值化时,可以采用定性计算。

例如:

  • 直接相关:候选内容直接涉及目标对象和目标问题。

  • 部分相关:候选内容能够支持目标的一部分要求。

  • 间接相关:候选内容提供背景、线索或辅助判断依据。

  • 条件相关:候选内容只有在特定条件成立时才适用。

  • 潜在相关:当前尚不能确定其作用,但存在进一步检查的必要。

  • 不相关:经过适当检查,候选内容与当前目标不存在有意义的语义联系。

  • 无法判断:当前信息不足以确定其相关性。

这些类别是可采用的表达方式,不要求所有任务必须使用完全相同的分类。

尤其需要区分“不相关”和“无法判断”。

不相关表示系统有足够依据认为候选内容不满足当前目标的相关性要求。

无法判断则表示当前依据不足,不能可靠地确定候选内容是否相关。

两者不能混为一谈。

23.5.4 数值相关性计算

对于需要对大量候选资源进行排序的任务,可以在明确规则的前提下,将相关性维度转化为数值。

假设某个任务选择了若干适用的相关性维度,并为候选内容计算对应的维度值。

在这些维度具有明确含义、取值范围可比较、计算依据充分的前提下,可以构建加权综合模型:

\[ R(Q,C)=\sum_{i=1}^{n}w_i r_i(Q,C) \]

其中:

  • \(r_i(Q,C)\) 表示第 \(i\) 个相关性维度的计算结果。

  • \(w_i\) 表示该维度在当前任务中的权重。

  • \(n\) 表示当前任务实际采用的维度数量。

如果采用归一化权重,则可以要求各权重非负且总和为一。

但这一公式仅适用于适合加权综合的任务。它不是所有语义相关性判断都必须采用的唯一模型。

使用该模型时,必须注意以下限制。

第一,各维度应当具有明确的计算定义和可比较的数值含义。

第二,权重应当依据任务要求和验证结果确定,不能随意设定后就当作普遍规律。

第三,如果维度之间存在重复计算或高度依赖关系,应当避免重复计入同一语义因素。

第四,必要条件不能被综合分数覆盖。

第五,相关性总分不能直接解释为事实为真的概率。

第六,如果某个关键维度未知,应当明确结果的限制,不能默认该维度已经满足要求。

23.5.5 必要条件与综合评分的分离

语义相关性计算中,一个重要问题是必要条件不能被普通维度的高分补偿。

假设当前任务要求候选资料必须对应指定产品型号。

某份资料在主题、属性和信息覆盖方面都表现良好,但它实际描述的是另一型号。

如果系统采用简单加权求和,即使其他维度得分很高,最终总分仍可能超过筛选阈值,从而错误地将其判定为高度相关。

为了避免这种情况,系统应当先检查必要条件,再执行综合评分。

设必要条件检查结果为 \(G(Q,C)\),其结果可能为满足、不满足或未知。

相关性判断可以采用分层机制:

\[ \operatorname{Rel}(Q,C)= \begin{cases} \text{不适用}, & G(Q,C)=\text{不满足}\\ \text{待确定}, & G(Q,C)=\text{未知}\\ F(D,R,K,E), & G(Q,C)=\text{满足} \end{cases} \]

这里的表达式展示的是一种条件判断结构,不意味着所有任务都必须使用相同的状态名称或程序实现。

其核心要求是:如果必要条件不满足,不能仅靠其他维度的高分将候选内容提升为符合要求的结果;如果必要条件尚未知,就不能把未知自动当作满足。

23.5.6 缺失维度的处理

计算过程中,某些维度可能缺少必要信息。

例如,候选资料可以明确对应产品型号,却没有提供目标任务所需的时间信息。

系统应当先判断该时间信息属于必要条件,还是普通排序维度。

如果时间是必要条件,系统应当将候选内容保留为待确定状态,或者限制其用途。

如果时间只影响候选资源的优先级,则可以根据任务规则调整其排序,但必须说明信息缺失带来的限制。

不应当把缺失值自动设为零,也不应当将其自动设为最高分或中间分数,除非当前任务具有明确且合理的规则依据。

同样,不能因为某个候选内容没有提供反面信息,就默认不存在反面信息;也不能因为没有发现冲突,就认定该候选内容已经通过事实核验。

23.6 相关性计算结果的解释与排序

相关性计算的结果只有能够被正确解释,才能为动态语义库的后续处理提供有效依据。

23.6.1 相关性结果不等于单一结论

一个相关性结果可以用于资源筛选、语义单元筛选、候选主张排序或证据分析,但不能自动代替后续判断。

例如,某份资料被评为高度相关,可能意味着它直接涉及目标对象和属性;但它是否真实、是否有效、是否具有足够证明能力,仍然需要分别检查。

因此,系统在输出相关性结果时,应当明确其计算对象和用途。

资源层面的相关性不能直接等同于其中某条主张的相关性;主张层面的相关性不能直接等同于证据充分性;证据层面的相关性也不能直接等同于事实真实性。

23.6.2 相关性解释依据

相关性结果应当能够说明形成判断的主要依据。

例如,系统可以解释某个候选资源为什么被判定为直接相关:

它指向目标对象,涉及所需属性,提供了目标关系的直接描述,并且满足当前任务规定的适用范围。

系统也应当能够解释某个候选资源为什么只具有部分相关性:

它能够识别目标对象,但缺少目标所需的属性值;或者它提供了相关属性,却没有明确说明适用型号。

对于无法判断的情况,系统应当指出缺少哪些信息,以及这些信息为什么影响当前判断。

解释的目的不是生成更长的自然语言描述,而是让相关性结果能够对应到具体的语义关系、条件和计算依据。

23.6.3 相关性排序

当系统需要从大量候选资源中选择处理对象时,可以根据相关性结果进行排序。

排序可以帮助系统优先处理更可能解决当前知识缺口的候选内容。

但排序需要区分不同目标。

如果当前任务是发现可能包含目标信息的资源,可以优先考虑与目标结构对应程度较高的候选资源。

如果当前任务是寻找能够核验事实的证据,则还需要考虑证据类型、来源可追溯性和证明能力。

如果当前任务是解决冲突,则反驳主张的资料同样可能具有很高的处理优先级。

因此,不能将所有任务都简化为“分数越高越应该采纳”。

在事实核验场景中,相关性排序应当帮助系统发现和检查材料,而不是预先决定最终结论。

23.6.4 排序与采纳的区别

候选内容被排在第一位,只表示它在当前排序规则下优先处理。

它不意味着该内容必然真实,也不意味着其他候选内容都可以被忽略。

例如,第一份资料可能与目标直接相关,但缺少完整的来源记录;第二份资料的表达不够直接,却包含可以独立核验的正式信息。

系统可以优先处理第一份资料,但仍应当检查第二份资料的证据作用。

如果候选内容之间存在冲突,系统不能只保留排序最高的一项,而应当保留具有判断意义的支持和反驳材料。

因此,排序运算的职责是安排处理顺序,而不是代替证据判断和事实核验。

23.7 语义相关性与概率、可信度和证据充分性的区别

语义相关性经常与其他判断指标混淆。WSaiOS-SI 必须明确这些概念之间的边界。

23.7.1 相关性与概率

相关性用于判断候选内容与目标之间的语义联系。

概率用于在明确的事件、条件和概率模型下表达某个事件发生或某项假设成立的可能程度。

如果没有明确的概率对象和计算依据,不能将相关性分数解释为概率。

例如,某候选内容与目标具有很高的结构对应程度,并不代表目标主张为真的概率等于该相关性分数。

两者的计算对象和含义不同。

23.7.2 相关性与来源可靠性

来源可靠性关注某个来源在特定用途下提供信息的可靠程度。

相关性关注候选内容与当前目标之间的语义联系。

一份可靠来源可能包含与当前任务无关的信息;一份高度相关的资料也可能来自不可靠或无法追溯的来源。

因此,来源可靠性不能直接用来代替相关性,相关性也不能直接用来代替来源可靠性。

在需要证据核验的任务中,两者可以共同参与后续判断,但必须分别计算或判断。

23.7.3 相关性与证据充分性

证据充分性关注现有证据是否足以支持、反驳或限定某项主张。

相关性高的证据可能只支持主张的一小部分,也可能只提供间接背景。

例如,一份产品介绍可能直接提到认证名称,但没有提供能够确认认证状态的资料。

它与认证主张具有较高的语义相关性,却未必足以证明认证成立。

因此,相关性判断应当帮助系统找到合适的核验材料,而证据充分性判断负责确定这些材料能否满足当前主张的证明要求。

23.7.4 相关性与可信度

“可信度”在不同系统中可能具有不同含义,不能未经定义就作为统一指标使用。

如果可信度指来源可靠性,应当检查来源及其用途。

如果可信度指语义对应程度,应当检查对象和关系匹配。

如果可信度指主张成立的可能性,则必须明确判断对象、证据和计算规则。

将这些含义混合为一个“可信度分数”,会使系统无法解释分数究竟表示什么,也容易把语义匹配误认为事实确认。

因此,WSaiOS-SI 应当优先使用定义明确的指标,并在确有必要时说明综合指标由哪些独立判断组成。

23.7.5 相关性与事实核验的先后关系

语义相关性通常可以参与事实核验前的候选筛选,也可以在核验过程中用于判断某项证据是否针对目标主张。

但相关性计算本身不完成事实核验。

一个完整的处理过程可以包括:

需求识别、候选资源发现、语义相关性评估、对象与关系对应、证据收集、来源与证据质量检查、支持和反驳分析、事实核验、结论状态管理。

这一顺序可以根据任务进行调整,但相关性和事实核验的职责边界必须保持清楚。

23.8 语义相关性的动态更新机制

动态语义库面对的是持续变化的资源、知识和任务,因此语义相关性不能被永久固定。

同一候选内容在不同时间、不同任务或不同知识结构下,可能具有不同的相关性。

23.8.1 需求变化引起相关性变化

如果当前任务从“查找产品功能”变为“核验产品认证”,原有候选资源的相关性排序可能发生明显变化。

这并不意味着资源自身发生了变化,而是评价目标发生了变化。

因此,相关性结果应当与产生它的任务和条件建立联系。

当任务目标、必要条件或所需知识结构发生变化时,系统应当重新评估相关性,而不是直接沿用旧结果。

23.8.2 知识结构变化引起相关性变化

当系统新增对象、属性、关系或判断规则时,原先无法对应的候选内容可能变得相关。

例如,系统原先无法区分两个相近型号,后来建立了型号版本关系,原有资料就可能被重新归类到不同对象。

同样,原先被认为只是背景信息的资料,也可能因为新的需求出现而成为重要证据线索。

因此,相关性应当依赖当前知识结构,并在结构变化影响原判断时触发重新计算。

23.8.3 资源变化引起相关性变化

外部资源的内容、版本、有效时间和适用范围可能发生变化。

当资源发生变化时,系统需要判断变化是否影响相关性。

例如,某个网页仍然存在,但其中的产品型号列表已经更新,旧资料可能不再适用于当前任务。

如果资源只是增加了与当前任务无关的内容,则不一定需要重新计算所有相关性结果。

系统应当根据变化内容与目标结构之间的关系,确定需要重新处理的范围。

23.8.4 相关性版本与历史保留

相关性计算结果应当能够追溯其产生时的目标、候选内容、适用条件和计算规则。

当任务目标或规则发生变化时,旧的相关性结果不一定错误,但它可能不再适用于当前任务。

因此,系统应当区分:

  • 候选内容发生变化。

  • 当前任务发生变化。

  • 相关性计算规则发生变化。

  • 当前知识结构发生变化。

  • 原相关性判断被发现存在错误。

通过保留必要的版本信息,系统可以解释为什么同一候选内容在不同时间得到不同的相关性结果。

23.8.5 反馈驱动的相关性修正

相关性计算可以根据后续处理结果进行修正。

例如,系统发现某一类候选资源虽然在主题上高度相关,却经常无法提供目标所需的属性值。

这可能说明当前计算过度重视主题联系,而没有充分考虑任务支持程度。

又如,某些表达方式不同的资料虽然文字差异较大,却经常能够提供正确的对象对应关系。

这可能说明当前语义解释规则需要扩展。

反馈修正应当针对明确的计算规则和已观察到的处理结果进行,并保留修改依据。

不能仅仅因为某个候选内容最终没有被采用,就反向认定它原本不相关;也不能因为某个结论后来被确认,就自动认为当时所有高相关性候选内容都是真实的。

相关性规则的调整与事实结论的调整,仍然是两个不同的过程。

23.9 语义相关性与 WSaiOS-SI 运算体系的协同

语义相关性计算并非独立于结构智能其他运算的孤立功能。它需要与比较、计算、判断、匹配、概率、排序和验证等运算共同工作。

23.9.1 与比较运算的关系

比较运算用于分析候选内容与目标之间的差异。

相关性计算可以利用比较结果识别对象、属性、值、关系和条件的对应程度。

但比较只说明存在什么相同或差异,不自动说明这些差异是否影响当前任务。

例如,两个产品型号名称不同,可能意味着对象不同,也可能只是命名方式不同。

需要结合对象识别规则和实际关系判断其含义。

23.9.2 与匹配运算的关系

匹配运算用于确定候选内容与目标结构之间的对应关系。

相关性计算可以利用匹配结果判断候选内容是否与当前目标具有明确联系。

但匹配结果本身也可能处于待确定状态。

当系统存在多个候选对象时,应当保留候选对应关系及其依据,并根据任务需要继续检查,而不是将最高匹配结果自动视为真实对象。

23.9.3 与判断运算的关系

判断运算用于依据明确规则决定相关性是否满足当前要求。

例如,某候选资料是否直接涉及目标主张,某项关系是否满足任务规定的适用条件。

相关性计算可以提供判断所需的输入,但判断结果必须受适用规则约束。

如果必要条件未知,系统应当允许结果为待确定;如果必要条件明确不满足,就不能通过提高其他维度的分数改变这一结果。

23.9.4 与计算运算的关系

计算运算可以用于处理数值化的相关性维度、权重、归一化结果和排序依据。

但数值计算必须建立在明确的输入和规则之上。

例如,计算多个维度的加权综合值时,需要说明每个维度的取值含义、权重来源和缺失值处理规则。

如果这些前提不明确,计算得到的数值可能具有形式上的精确性,却缺乏实际语义意义。

23.9.5 与概率运算的关系

在特定任务中,概率运算可以辅助评估候选假设或事件,但不能把相关性分数直接转换成事实概率。

如果系统确实需要概率判断,应当明确事件定义、条件、数据依据和计算模型。

相关性与概率可以在同一任务中共同使用,但必须保留各自的含义。

23.9.6 与排序运算的关系

排序运算可以根据相关性结果安排候选资源、语义单元和待处理需求的顺序。

但排序规则应当与任务目标一致。

用于资源发现的排序规则,不一定适用于事实核验;用于解决冲突的排序规则,也不应当简单排除反驳证据。

因此,排序需要结合任务类型、必要条件和处理成本确定,不能只追求一个统一的相关性分数。

23.9.7 与验证运算的关系

验证运算用于检查相关性判断是否满足其定义和规则要求。

例如,可以验证候选内容是否确实对应目标对象、相关性计算是否使用了适用的条件、必要条件是否被正确处理、输出结果是否具有可追溯依据。

还可以使用经过人工确认或其他可靠方式确认的案例,检查相关性规则是否能够区分直接相关、部分相关、间接相关和不相关的候选内容。

验证结果可以帮助改进计算规则,但不能自动证明所有未测试情形都正确。

23.10 工程实现与运行流程

语义相关性的工程实现应当围绕当前需求和实际知识结构展开。系统不应当先规定所有任务必须使用的固定行业字段,再强迫真实资料按照这些字段组织。

23.10.1 计算流程

语义相关性的基本工程流程如下:

#chatgpt-mermaid-_r_5h2_{font-family:-apple-system-body,ui-sans-serif,-apple-system,system-ui,”Segoe UI”,Helvetica,”Apple Color Emoji”,Arial,sans-serif,”Segoe UI Emoji”,”Segoe UI Symbol”;font-size:16px;fill:rgb(13, 13, 13);}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#chatgpt-mermaid-_r_5h2_ .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#chatgpt-mermaid-_r_5h2_ .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#chatgpt-mermaid-_r_5h2_ .error-icon{fill:rgb(243, 243, 243);}#chatgpt-mermaid-_r_5h2_ .error-text{fill:rgb(13, 13, 13);stroke:rgb(13, 13, 13);}#chatgpt-mermaid-_r_5h2_ .edge-thickness-normal{stroke-width:1px;}#chatgpt-mermaid-_r_5h2_ .edge-thickness-thick{stroke-width:3.5px;}#chatgpt-mermaid-_r_5h2_ .edge-pattern-solid{stroke-dasharray:0;}#chatgpt-mermaid-_r_5h2_ .edge-thickness-invisible{stroke-width:0;fill:none;}#chatgpt-mermaid-_r_5h2_ .edge-pattern-dashed{stroke-dasharray:3;}#chatgpt-mermaid-_r_5h2_ .edge-pattern-dotted{stroke-dasharray:2;}#chatgpt-mermaid-_r_5h2_ .marker{fill:rgb(143, 143, 143);stroke:rgb(143, 143, 143);}#chatgpt-mermaid-_r_5h2_ .marker.cross{stroke:rgb(143, 143, 143);}#chatgpt-mermaid-_r_5h2_ svg{font-family:-apple-system-body,ui-sans-serif,-apple-system,system-ui,”Segoe UI”,Helvetica,”Apple Color Emoji”,Arial,sans-serif,”Segoe UI Emoji”,”Segoe UI Symbol”;font-size:16px;}#chatgpt-mermaid-_r_5h2_ p{margin:0;}#chatgpt-mermaid-_r_5h2_ .label{font-family:-apple-system-body,ui-sans-serif,-apple-system,system-ui,”Segoe UI”,Helvetica,”Apple Color Emoji”,Arial,sans-serif,”Segoe UI Emoji”,”Segoe UI Symbol”;color:rgb(13, 13, 13);}#chatgpt-mermaid-_r_5h2_ .cluster-label text{fill:rgb(13, 13, 13);}#chatgpt-mermaid-_r_5h2_ .cluster-label span{color:rgb(13, 13, 13);}#chatgpt-mermaid-_r_5h2_ .cluster-label span p{background-color:transparent;}#chatgpt-mermaid-_r_5h2_ .label text,#chatgpt-mermaid-_r_5h2_ span{fill:rgb(13, 13, 13);color:rgb(13, 13, 13);}#chatgpt-mermaid-_r_5h2_ .node rect,#chatgpt-mermaid-_r_5h2_ .node circle,#chatgpt-mermaid-_r_5h2_ .node ellipse,#chatgpt-mermaid-_r_5h2_ .node polygon,#chatgpt-mermaid-_r_5h2_ .node path{fill:rgb(222, 234, 251);stroke:rgb(83, 154, 248);stroke-width:1px;}#chatgpt-mermaid-_r_5h2_ .rough-node .label text,#chatgpt-mermaid-_r_5h2_ .node .label text,#chatgpt-mermaid-_r_5h2_ .image-shape .label,#chatgpt-mermaid-_r_5h2_ .icon-shape .label{text-anchor:middle;}#chatgpt-mermaid-_r_5h2_ .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#chatgpt-mermaid-_r_5h2_ .rough-node .label,#chatgpt-mermaid-_r_5h2_ .node .label,#chatgpt-mermaid-_r_5h2_ .image-shape .label,#chatgpt-mermaid-_r_5h2_ .icon-shape .label{text-align:center;}#chatgpt-mermaid-_r_5h2_ .node.clickable{cursor:pointer;}#chatgpt-mermaid-_r_5h2_ .root .anchor path{fill:rgb(143, 143, 143)!important;stroke-width:0;stroke:rgb(143, 143, 143);}#chatgpt-mermaid-_r_5h2_ .arrowheadPath{fill:rgb(143, 143, 143);}#chatgpt-mermaid-_r_5h2_ .edgePath .path{stroke:rgb(143, 143, 143);stroke-width:1px;}#chatgpt-mermaid-_r_5h2_ .flowchart-link{stroke:rgb(143, 143, 143);fill:none;}#chatgpt-mermaid-_r_5h2_ .edgeLabel{background-color:rgb(252, 252, 252);text-align:center;}#chatgpt-mermaid-_r_5h2_ .edgeLabel p{background-color:rgb(252, 252, 252);}#chatgpt-mermaid-_r_5h2_ .edgeLabel rect{opacity:0.5;background-color:rgb(252, 252, 252);fill:rgb(252, 252, 252);}#chatgpt-mermaid-_r_5h2_ .labelBkg{background-color:rgba(252, 252, 252, 0.5);}#chatgpt-mermaid-_r_5h2_ .cluster rect{fill:rgb(243, 243, 243);stroke:rgba(0, 0, 0, 0.1);stroke-width:1px;}#chatgpt-mermaid-_r_5h2_ .cluster text{fill:rgb(13, 13, 13);}#chatgpt-mermaid-_r_5h2_ .cluster span{color:rgb(13, 13, 13);}#chatgpt-mermaid-_r_5h2_ div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:-apple-system-body,ui-sans-serif,-apple-system,system-ui,”Segoe UI”,Helvetica,”Apple Color Emoji”,Arial,sans-serif,”Segoe UI Emoji”,”Segoe UI Symbol”;font-size:12px;background:rgb(243, 243, 243);border:1px solid rgba(0, 0, 0, 0.1);border-radius:2px;pointer-events:none;z-index:100;}#chatgpt-mermaid-_r_5h2_ .flowchartTitleText{text-anchor:middle;font-size:18px;fill:rgb(13, 13, 13);}#chatgpt-mermaid-_r_5h2_ rect.text{fill:none;stroke-width:0;}#chatgpt-mermaid-_r_5h2_ .icon-shape,#chatgpt-mermaid-_r_5h2_ .image-shape{background-color:rgb(252, 252, 252);text-align:center;}#chatgpt-mermaid-_r_5h2_ .icon-shape p,#chatgpt-mermaid-_r_5h2_ .image-shape p{background-color:rgb(252, 252, 252);padding:2px;}#chatgpt-mermaid-_r_5h2_ .icon-shape .label rect,#chatgpt-mermaid-_r_5h2_ .image-shape .label rect{opacity:0.5;background-color:rgb(252, 252, 252);fill:rgb(252, 252, 252);}#chatgpt-mermaid-_r_5h2_ .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#chatgpt-mermaid-_r_5h2_ .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#chatgpt-mermaid-_r_5h2_ .node .neo-node{stroke:rgb(83, 154, 248);}#chatgpt-mermaid-_r_5h2_ [data-look=”neo”].node rect,#chatgpt-mermaid-_r_5h2_ [data-look=”neo”].cluster rect,#chatgpt-mermaid-_r_5h2_ [data-look=”neo”].node polygon{stroke:url(#chatgpt-mermaid-_r_5h2_-gradient);filter:drop-shadow( 1px 2px 2px rgba(185,185,185,1));}#chatgpt-mermaid-_r_5h2_ [data-look=”neo”].swimlane.cluster rect{filter:none;}#chatgpt-mermaid-_r_5h2_ [data-look=”neo”].node path{stroke:url(#chatgpt-mermaid-_r_5h2_-gradient);stroke-width:1px;}#chatgpt-mermaid-_r_5h2_ [data-look=”neo”].node .outer-path{filter:drop-shadow( 1px 2px 2px rgba(185,185,185,1));}#chatgpt-mermaid-_r_5h2_ [data-look=”neo”].node .neo-line path{stroke:rgb(83, 154, 248);filter:none;}#chatgpt-mermaid-_r_5h2_ [data-look=”neo”].node circle{stroke:url(#chatgpt-mermaid-_r_5h2_-gradient);filter:drop-shadow( 1px 2px 2px rgba(185,185,185,1));}#chatgpt-mermaid-_r_5h2_ [data-look=”neo”].node circle .state-start{fill:#000000;}#chatgpt-mermaid-_r_5h2_ [data-look=”neo”].icon-shape .icon{fill:url(#chatgpt-mermaid-_r_5h2_-gradient);filter:drop-shadow( 1px 2px 2px rgba(185,185,185,1));}#chatgpt-mermaid-_r_5h2_ [data-look=”neo”].icon-shape .icon-neo path{stroke:url(#chatgpt-mermaid-_r_5h2_-gradient);filter:drop-shadow( 1px 2px 2px rgba(185,185,185,1));}#chatgpt-mermaid-_r_5h2_ .node text{font-size:14px;font-weight:600;letter-spacing:normal;fill:rgb(0, 79, 153);}#chatgpt-mermaid-_r_5h2_ .edgeLabels text{font-size:13px;font-weight:600;letter-spacing:-0.08px;fill:rgb(0, 79, 153);}#chatgpt-mermaid-_r_5h2_ .node tspan[font-weight=”normal”],#chatgpt-mermaid-_r_5h2_ .edgeLabels tspan[font-weight=”normal”]{font-weight:600;}#chatgpt-mermaid-_r_5h2_ .edgeLabel .label rect{opacity:1;rx:13px;ry:13px;fill:rgb(245, 250, 255);stroke:rgb(206, 219, 229);stroke-width:1px;}#chatgpt-mermaid-_r_5h2_ .node rect,#chatgpt-mermaid-_r_5h2_ .node circle,#chatgpt-mermaid-_r_5h2_ .node ellipse,#chatgpt-mermaid-_r_5h2_ .node polygon,#chatgpt-mermaid-_r_5h2_ .node path{fill:rgb(229, 243, 255);stroke:rgba(0, 0, 0, 0.1);stroke-width:1px;}#chatgpt-mermaid-_r_5h2_ .node rect{rx:16px;ry:16px;}#chatgpt-mermaid-_r_5h2_ .node.mermaid-decision .label-container{fill:rgb(245, 250, 255);stroke:rgb(206, 219, 229);stroke-dasharray:2,2;}#chatgpt-mermaid-_r_5h2_ .edgePaths .flowchart-link{stroke:rgb(143, 143, 143);stroke-width:1px;stroke-linecap:round;stroke-linejoin:round;}#chatgpt-mermaid-_r_5h2_ .marker{fill:rgb(143, 143, 143);stroke:rgb(143, 143, 143);}#chatgpt-mermaid-_r_5h2_ :root{–mermaid-font-family:-apple-system-body,ui-sans-serif,-apple-system,system-ui,”Segoe UI”,Helvetica,”Apple Color Emoji”,Arial,sans-serif,”Segoe UI Emoji”,”Segoe UI Symbol”;}接收动态语义需求识别目标知识结构确定相关性计算对象生成适用的判断维度解析候选内容并建立语义关系检查必要条件必要条件是否满足判定不符合当前目标要求保留待确定状态并识别知识缺口执行相关性计算形成相关性结果与解释依据按当前任务需要进行排序记录结果与适用范围进入后续核验或动态更新不满足未知满足

该流程说明相关性计算需要经过目标识别、结构对应、条件检查和结果解释等步骤。

它不是要求每个任务都必须采用完全相同的流程。对于已经明确的对象和简单需求,可以直接执行相应的匹配与判断;对于存在对象歧义或条件缺失的任务,则应当优先解决相关问题。

23.10.2 输入信息与输出结果

输入信息应当能够说明当前需求、候选内容、必要条件和相关性判断所需的依据。

输出结果则应当能够说明:

  • 当前评价的是哪个候选对象或语义单元。

  • 它针对哪个目标或需求。

  • 采用了哪些相关性判断维度。

  • 哪些必要条件已经满足。

  • 哪些条件尚未确定或不满足。

  • 相关性结果是什么。

  • 结果适用于什么任务和范围。

  • 结果依据和限制是什么。

  • 是否需要进一步核验。

以上内容是结果应具备的语义能力,并不意味着必须把它们全部设计为固定字段。

工程系统可以依据现有数据结构组织这些信息,但必须保证相关性结果可解释、可追溯,并且不会与事实核验状态混淆。

23.10.3 相关性计算规则的形成

相关性规则应当从真实任务中形成。

首先识别当前任务需要解决的问题。

其次识别问题涉及的对象、属性、值、关系、条件和判断目标。

然后明确哪些内容是必要条件,哪些内容可以用于排序,哪些内容只提供背景信息。

在此基础上,确定相关性判断维度及其计算方法。

如果需要数值化,则必须进一步定义维度取值、权重、缺失值处理、阈值和结果解释规则。

最后,通过实际案例检查规则是否符合任务要求,并根据发现的问题进行修正。

规则形成过程中,不应当将某一行业的固定字段组合当作通用相关性模型,也不应当因为某个案例有效,就直接将其推广到所有任务。

23.10.4 相关性规则的验证

相关性规则需要通过实际任务进行验证。

验证可以检查:

第一,相关性判断是否与任务目标一致。

第二,系统是否能够区分对象相同与对象相似。

第三,系统是否能够区分属性相同与属性值相同。

第四,系统是否能够识别条件不一致导致的表面差异。

第五,系统是否能够保留部分相关和无法判断的结果。

第六,系统是否会因为关键词重合而错误提升无关内容的排序。

第七,系统是否会因为候选内容与目标高度相关,就错误地认定事实已经成立。

第八,系统是否会因某个必要条件未知而错误输出确定结果。

验证还应当覆盖边界案例,包括同名不同对象、同一对象不同版本、历史状态与当前状态、来源转载、缺失关键条件、主张冲突和表达方式不同但语义相同等情况。

这些验证用于检查规则是否满足当前任务要求,不意味着一次验证就能证明规则在所有场景中都正确。

23.10.5 计算成本与处理范围

在大量资源的场景下,语义相关性计算需要考虑处理成本。

系统可以先进行较低成本的候选筛选,再对有必要深入检查的候选内容执行更细致的结构匹配和条件判断。

但低成本筛选不能成为最终事实核验的替代。

如果初步筛选可能遗漏重要候选内容,就应当根据任务风险和必要条件决定是否扩大搜索范围。

对于重要的事实核验任务,不能仅因为某项证据在初步排序中得分较低,就直接认定它没有检查价值,尤其是当该证据可能反驳当前主张时。

因此,处理成本优化必须服从任务目标和必要条件,而不能以降低成本为理由牺牲关键证据的检查。

23.10.6 不依赖大模型逻辑

WSaiOS-SI 的语义相关性计算应当建立在明确的语义结构、对象对应、关系判断、条件约束和可验证规则之上。

相关性可以通过结构匹配、规则判断、数值计算、候选排序和验证运算实现。

系统不需要将大模型生成的解释作为相关性的基础,也不需要将文本向量相似度当作语义相关性的唯一标准。

自然语言可以作为输入和输出的表达形式,但相关性判断的核心应当是能够被检查的结构关系和任务规则。

如果系统无法确定候选内容的对象或关系,就应当保留相应的未知状态;如果无法确定必要条件是否满足,就不能仅凭表面相似度输出确定结果。

23.11 综合示例:动态语义需求驱动的相关性计算

假设动态语义需求库产生一项需求:

“确认指定型号电动牙刷的某项认证当前是否有效。”

系统从外部资源中获取了三份候选资料。以下仅用于说明计算逻辑,不代表真实产品信息。

候选资料 A:产品介绍页面。

该页面能够明确识别产品品牌和型号,但主要介绍产品功能,没有提供目标认证的具体状态。

候选资料 B:认证记录页面。

该页面提供了认证项目和有效状态,但现有资料尚不能确定记录中的产品型号是否与目标型号完全对应。

候选资料 C:公开认证文件。

该文件包含可识别的产品型号、认证项目和有效时间,但系统仍需要核对该文件的适用范围以及其与目标任务的对应关系。

23.11.1 识别目标结构

系统首先将当前需求分解为必要判断要求:

  • 确认目标产品身份。

  • 确认认证项目。

  • 确认认证记录与目标型号的对应关系。

  • 确认认证有效时间。

  • 判断当前状态是否满足任务要求。

这不是预设电动牙刷行业的固定字段模板,而是从当前认证核验任务中识别出的实际判断要求。

如果任务发生变化,例如从认证有效性核验变为产品功能比较,相关性维度也应当随之调整。

23.11.2 检查候选资料的结构对应

候选资料 A 对产品身份具有一定帮助,但缺少直接涉及认证状态的内容。

因此,它可能适合用于产品对象识别,却不能单独支持认证有效性的最终判断。

候选资料 B 直接涉及认证项目和状态,因此与目标问题具有较强的语义联系。

但由于型号对应尚未确认,系统不能把它直接作为目标型号的有效认证记录。

候选资料 C 提供了更多与目标结构直接对应的信息,但仍需要检查文件适用范围和必要条件。

此时,系统不应仅根据资料标题或关键词数量进行排序,而应当检查各候选资料对目标结构的实际覆盖情况。

23.11.3 区分必要条件与相关性评分

在本例中,目标型号对应是必要条件。

因此,即使候选资料 B 对认证状态的描述十分直接,只要型号对应仍然未知,就不能将其作为已经满足目标要求的确定结果。

系统可以将候选资料 B 作为高优先级的核验候选,但必须保留型号对应待确定的状态。

候选资料 A 虽然可以帮助识别产品,却不能因为其对象匹配程度较高而被视为认证状态的充分证据。

候选资料 C 可能更接近完整的目标结构,但仍需要根据实际适用条件完成核验。

这说明相关性计算需要与必要条件检查结合,而不是将所有维度无条件地加权求和。

23.11.4 形成相关性结果

系统可以根据当前规则形成定性结果:

候选资料 当前相关性判断 主要依据 尚未解决的问题
A 对象识别相关,认证状态直接相关性有限 能够识别产品,但未提供目标认证状态 需要其他认证资料
B 对目标认证主张高度相关,但对象对应待确定 直接涉及认证项目和状态 型号对应尚未确认
C 与目标核验任务直接相关 提供型号、认证项目和有效时间等信息 仍需检查适用范围与证据要求

这些结果不是事实真实性排名。

资料 B 即使被列为优先核验候选,也不能因此认定它比资料 C 更真实;资料 C 即使覆盖更多目标信息,也不能仅凭信息覆盖程度就认定认证有效。

23.11.5 进入事实核验

在完成相关性计算后,系统还需要对候选资料开展对象对应、来源追溯、证据质量、时间范围和适用条件检查。

如果资料 C 的对象、认证范围、有效时间及相关依据均满足核验规则,系统可以依据具体证据形成相应结论。

如果资料 B 与资料 C 之间出现不一致,则应当进一步检查两者是否描述同一对象、同一认证项目和同一时间范围。

如果仍然存在无法解决的冲突,应当保留冲突状态和不确定性,而不是依据相关性分数选择一项资料作为最终事实。

由此,语义相关性完成的是候选内容与目标之间的联系判断和处理优先级安排,而事实核验负责判断主张能否得到充分支持。

23.12 本章总结

语义相关性是 WSaiOS-SI 动态语义库连接需求、资源、语义单元、知识结构和证据核验的重要机制。它不是单纯的文本相似度,而是以当前任务为目标,对候选内容与目标之间的语义联系、结构对应和条件适用程度进行判断。

本章确立了以下基本结论。

第一,语义相关性具有明确的目标依赖性。同一资源对于不同需求可能具有不同的相关性,相关性不能脱离当前任务独立判断。

第二,语义相关性建立在结构之上。系统需要识别元素、对象、属性、值、关系和条件之间的对应情况,不能只依赖关键词重合。

第三,相关性应当区分资源、语义单元、主张、关系和证据等不同计算对象。不同层次的相关性不能无条件传递,也不能相互替代。

第四,相关性计算可以采用定性判断或数值模型。数值化模型必须具有明确的计算维度、输入含义、适用条件和验证依据,不能将相关性分数直接解释为事实概率。

第五,必要条件必须与综合评分分离。对象身份、适用范围或其他必要条件尚未满足时,不能通过其他维度的高分掩盖缺失。

第六,语义相关性与真实性、来源可靠性、证据充分性、可信度和事实核验之间存在联系,但各自具有独立的判断职责。

第七,相关性结果应当可解释、可追溯并能够动态更新。任务、知识结构、资源版本或判断规则发生变化时,应当根据影响范围重新评估。

第八,相关性排序只能决定候选内容的处理优先级,不能代替事实核验,更不能因为某项资料排在前面就排除具有反驳价值的其他资料。

第九,语义相关性应当与比较、匹配、判断、计算、概率、排序和验证等运算协同工作,并将处理结果反馈到动态语义需求库。

第十,工程实现必须从真实任务和实际知识结构出发,不固化行业专用字段模板,不将未知信息自动填充为确定值,也不依赖大模型逻辑。

通过上述机制,WSaiOS结构智能可以将语义相关性从模糊的“内容是否相似”提升为可定义、可计算、可解释和可验证的结构关系判断。

其核心不是为候选内容生成一个孤立的分数,而是明确候选内容与当前目标之间存在什么联系、这些联系满足哪些条件、还缺少什么依据,以及相关性结果能够支持后续处理到什么程度。

语义相关性负责确定知识内容与目标之间的联系;事实核验负责判断相关主张是否得到充分依据支持。二者相互协同,但不能相互替代。

下一章可继续研究:第二十四章《语义相关性规则的形成、权重与动态调整》。

Leave a Reply

Your email address will not be published. Required fields are marked *

客服咨询
● 欢迎咨询与合作
您好!欢迎咨询。 我可以帮助您了解人工智能技术研发、智能软件系统开发、网站建设、搜索优化及项目定制等相关信息。 请问有什么可以帮您?
免费申请
请填写以下信息,方便我们进一步沟通。
欢迎咨询 AI 系统开发、网站建设、搜索优化、项目定制合作
电话:15089196448
邮箱:1602401899@qq.com
地址:陕西省渭南市
服务时间:周一至周五 09:00 - 18:00 | 7×24小时技术值守