DATR ist eine deklarative Wissensrepräsentationssprache, die zur Kodierung von Default-Vererbungsnetzwerken entwickelt wurde. Sie wurde 1989 von Roger Evans und Gerald Gazdar an der University of Sussex eingeführt. Die Sprache wird in der Computerlinguistik verwendet, um lexikalisches Wissen darzustellen, wie etwa morphologische, syntaktische und phonologische Eigenschaften von Wörtern. DATR ist ein Teilgebiet der künstlichen Intelligenz und zeichnet sich durch ihre formale Semantik sowie die Unterstützung von Default- und Mehrfachvererbung aus.
Historischer Kontext
DATR entstand in den späten 1980er Jahren, als symbolische Ansätze die Forschung zur künstlichen Intelligenz dominierten. Institutionen wie MIT CSAIL, Stanford AI Lab und Carnegie Mellon University entwickelten Wissensrepräsentationssysteme und logikbasierte Formalismen. Die Forschung bei Xerox PARC und Bell Labs trug grundlegende Arbeiten zu Programmiersprachen und KI bei. Später wurden Berkeley AI Research und die University of Toronto zu Zentren für konnektionistische und statistische Ansätze, die im Gegensatz zu der symbolischen Tradition standen, aus der DATR hervorging.
Syntax und Semantik
In DATR besteht eine Wissensbasis aus einer Menge von Knoten, die jeweils Pfadgleichungen enthalten. Ein Pfad ist eine Sequenz von Atomen, und ein Knoten kann Werte für Pfade definieren. Beispielsweise könnte ein Knoten für das Substantiv „Hund“ <root> = "Hund" und <plural> = "Hunde" festlegen. Default-Vererbung wird durch die Anordnung von Gleichungen erreicht, sodass spezifischere Knoten allgemeinere überschreiben. Die Sprache unterstützt auch Mehrfachvererbung, bei der ein Knoten von mehreren Eltern erben kann. Die formale Semantik von DATR wird mithilfe einer kleinsten Fixpunktkonstruktion über ein globales Vererbungsnetzwerk definiert, was ein eindeutiges Modell für jede wohldefinierte Wissensbasis garantiert.
Die Sprache hat eine einfache Syntax ohne Variablen. Pfade werden als Sequenzen von Atomen in spitzen Klammern geschrieben, und Gleichungen verwenden das Gleichheitszeichen. Knoten können durch Auflisten von Gleichungen definiert werden, und Vererbung wird durch Verweise auf andere Knoten ausgedrückt. DATR unterstützt auch orthogonale Vererbung, bei der verschiedene Pfade unabhängig voneinander von verschiedenen Eltern erben können.
Implementierung
Die ursprüngliche Implementierung von DATR wurde in Prolog geschrieben, und die Sprache wurde entwickelt, um leicht in größere Systeme zur natürlichen Sprachverarbeitung eingebettet zu werden. Eine formale Spezifikation von DATR wurde von Evans und Gazdar veröffentlicht, die eine denotationelle Semantik bereitstellt, die Wissensbasen auf Modelle abbildet. Diese Spezifikation ermöglichte es, DATR in anderen Programmiersprachen zu implementieren, und mehrere spätere Versionen wurden für Forschungszwecke entwickelt.
Anwendungen
DATR wurde hauptsächlich in der Computerlinguistik zur Darstellung lexikalischer Informationen verwendet. Es war eine zentrale Komponente des ACQUILEX-Projekts (1989-1993), das mehrsprachige lexikalische Wissensbasen für Englisch, Italienisch, Niederländisch und Spanisch aufbaute. Die Sprache wurde auch in der Forschung zu Morphologie, Syntax und Phonologie angewendet, wo Default-Vererbung natürlich Regelmäßigkeiten und Ausnahmen erfasst. Beispielsweise könnte ein allgemeiner Substantivknoten eine Standard-Pluralform definieren, während ein spezifischer Knoten für „Kind“ diese mit „Kinder“ überschreibt. DATRs explizite Kodierung lexikalischen Wissens steht im Gegensatz zu modernen großen Sprachmodellen, die statistische Muster aus großen Korpora lernen. Sie unterscheidet sich auch von generativen KI-Systemen, die Text erzeugen, da DATR ein deklaratives Formalismus ist und kein generatives Modell.
Einfluss und Vermächtnis
Obwohl DATR nicht mehr weit verbreitet ist, bleibt es ein wichtiges Beispiel für einen symbolischen Wissensrepräsentationsformalismus. Seine Prinzipien der Default- und Mehrfachvererbung haben spätere Wissensrepräsentationssprachen und Ontologien beeinflusst. DATR wird oft mit maschinellem Lernen und Deep Learning-Ansätzen kontrastiert, die auf neuronalen Netzen und Transformatoren basieren. Moderne KI-Systeme, wie sie von OpenAI und Google DeepMind entwickelt werden, basieren auf Deep Learning und nicht auf symbolischer Wissensrepräsentation. DATR dient somit als historischer Bezugspunkt für das Verständnis des Wandels von symbolischer KI zu statistischen und konnektionistischen Methoden.