白：“同桌偷了张三一块橡皮给我。”“张三偷了同桌一块橡皮给我。”

谁是谁同桌？

“同桌偷了张三一块橡皮给李四。”这个能说不？如果能，谁是谁同桌？

“张三逼同桌骂了李四一通”，张三的同桌无疑。“张三逼同桌骂了我一通”，含糊了，我的同桌也是可能的。说话人一直是“在场的（present）”，所以先行的语境里有这么一号角色在。“张三逼李四骂了同桌一通”，似乎又是李四的同桌了。先行与否、就近与否、旁路与否、一直在场与否，都对填这个坑的候选萝卜有影响。刚才列举的选择不同也说明了：兼语式的主支（含兼语动词的那一支）不是旁路，和介词短语不同。

“同桌当着张三的面骂了李四一通。”

好像，既不是张三的同桌，也不是李四的同桌。

李：解析器觉得是李四的同桌，大概是因为张三沉底了：

（解析忘了把 hidden link 加上，谁当着张三的面？“当-面”的逻辑主语是“同桌”。这个bug容易fix，结构很清晰。）

所谓伴随情况状语（attendantR），是附带性的谓词，与主句谓语不在一个层次。从句法层次角度，“同桌”更应该是“李四”的，虽然物理距离更远。当然，人的理解机制有点一团浆糊的味道，其实没必要把人的理解神圣化。在诸多因素参与角力的时候，人的认知理解和判断其实不是确定的，因人而异，因背景而已，甚至同一个人也会因时而异。

在物理距离与句法层次的较量中，不同的人有不同关联和解读，是正常的。这个加分减分的较量，即便有一个机制去计算，也没有一个确定性的目标去最终评判。最多是企望有个理解的容忍范围。何况，对于 heterogeneous evidence，整出一个合适的加分减分的算法，一直以来就是挑战。把不同层面的因素，整到（投射到）同一个平面折合成统一的度量，然后根据这些因素之间的冗余性，打合适的折扣，最终能做出一个最优结果，同时又能讲出道理来，听上去就让人头皮发麻。

寄希望于深度神经，哪怕“讲出道理来”这一条暂时达不到也行。

白：“同桌”挖了一个坑，这个坑回指（先行词填坑）时是清晰的，预指（后继词填坑）时是模糊的，一般都是说话人（“我”）填坑。如果硬要别人填坑，除非语境有所交代，否则默认说话人填坑好了。回指的规则就是所谓“最近提及+类型相谐”。

“李四骂了同桌一通”，同桌是李四的同桌。“同桌骂了李四一通”，谁的同桌就不好说了。但说话人的同桌是标配。

李：

白：旁路上的先行词，待遇差点儿：“张三当着李四的面骂了同桌一通。”好像还是张三的同桌。

李：如果所模拟的人的理解过程就是浆糊，再牛的算法，加上再大的数据，也没辙。也许，有些牛角尖不值得钻。如果是语言理解多项选择问答题，大概是这样：

问：“同桌当着张三的面骂了李四一通”这句中，谁是谁同桌？

答：

1. 张三的同桌 (A)

2. 李四的同桌 (B)

3. 未知人的同桌（不是张三也不是李四的同桌：!A & !B）

4. 既是张三的同桌，也是李四的同桌 (A&B)

5. 不是张三的同桌，就是李四的同桌 （A XOR B）

6. 任何人的同桌 （一团浆糊，语言未指明，A|B|…, 但不care）

【Parsing 标签】

1 词类：V = Verb; N = Noun; A = Adjective; RB = Adverb;
DT = Determiner; UH = Interjection; punc = punctuation;

2 短语：VP = Verb Phrase; AP = Adjective Phrase; NP = Noun Phrase;
VG = Verb Group; NG = Noun Group; NE = Named Entity; DE = Data Entity;
Pred = Predicate; CL = Clause;

3 句法：H = Head; O = Object; S = Subject;M = Modifier; R = Adverbial;
(veryR = Intensifier-adverbial；possM = possessive-modifier); 
NX = Next; CN = Conjoin;
sCL = Subject Clause；oCL = Object Clause; mCL = Modifier/Relative Clause;
Z = Functional; X = Optional Function

【相关】

《一日一析系列》

【语义计算：李白对话录系列】

【置顶：立委NLP博文一览】

《朝华午拾》总目录