概念依赖（CD）是20世纪60年代末至70年代初由Roger Schank及其同事在斯坦福大学及后来在施乐帕洛阿尔托研究中心提出的自然语言理解理论。该理论认为，句子的意义可以通过一组规范的、与语言无关的原始动作和语义角色来表示，而非依赖于句子的表面句法。这种表示方式使人工智能系统能够进行推理、回答问题以及改写文本，从而捕捉潜在的语义内容。
CD的核心思想是，所有事件和状态都可以归结为一小组原始动作，如PTRANS（物理转移）、MTRANS（心理转移）和ATRANS（抽象转移）。每个动作都与一组格角色相关联，包括施事、受事、接受者和工具。例如，句子“John gave Mary a book”将被表示为ATRANS动作，其中John为施事，Mary为接受者，书为受事。这种表示旨在具有普遍性，即无论输入的语言或句法形式如何，都会生成相同的概念结构。
CD的主要动机之一是解决自然语言理解中的推理问题。通过在概念层面表示意义，系统可以应用推理规则来推导隐含信息。例如，从“John gave Mary a book”中，基于CD的系统可以推断Mary现在拥有这本书，因为ATRANS动作暗示了所有权的转移。这一能力在早期的AI程序中得到了展示，如SAM（脚本应用机制）和PAM（计划应用机制），它们使用CD来理解故事并回答相关问题。
历史发展
Roger Schank在其1969年的论文《面向计算机语义学的概念依赖表示》中引入了概念依赖，并在整个20世纪70年代对其进行了完善。该理论是在人工智能研究的背景下发展起来的，最初在斯坦福大学，后来在耶鲁大学，Schank在那里创立了耶鲁人工智能项目。主要合作者包括Robert Abelson，他贡献了相关的脚本概念，以及Christopher Riesbeck，他致力于解析和生成工作。
在20世纪70年代，CD被用于多个有影响力的自然语言理解系统。由Schank及其学生开发的MARGIE系统能够改写句子并进行简单推理。SAM系统应用脚本来理解常见情境的故事，如去餐厅，并能回答相关问题。PAM系统使用计划和目标来理解涉及有意行为的故事。这些系统展示了CD在表示知识和推理文本方面的强大能力。
核心组成部分
CD表示由一组原始动作组成，每个动作都有定义好的格角色。最常被引用的原始动作包括：
- PTRANS：物体从一个位置到另一个位置的物理转移
- MTRANS：心理内容（如信息）在心灵之间或心灵内部的转移
- ATRANS：抽象所有权的转移（如所有权、控制权）
- INGEST：生物体摄入物体（如吃、喝）
- PROPEL：施加物理力
- GRASP：物体与行动者之间的物理附着
- EXPEL：生物体将物体排出
- SPEAK：产生声音或言语
每个动作都与一组格角色相关联，如施事、受事、接受者、方向和工具。该表示还包括状态，状态使用一组状态原始词来描述，如健康、心理状态和物理状态，其值可以是正或负。
应用与影响
概念依赖对自然语言处理和知识表示领域产生了显著影响。它是早期尝试创建独立于表面句法的意义表示的举措之一，这一目标在现代AI中仍然至关重要。使用原始动作和语义角色的思想在后来的框架中得到了呼应，如FrameNet和VerbNet，它们提供了动词意义的结构化描述。
在20世纪80年代和90年代，CD被用于商业自然语言界面和故事理解研究。然而，随着统计和机器学习方法在20世纪90年代和2000年代逐渐占据主导地位，CD的手工构建特性逐渐失宠。2010年代深度学习和神经网络的兴起导致了对显式符号表示的转变，尽管一些研究者继续探索混合方法。
与现代方法的比较
现代大型语言模型（LLM），如由OpenAI和Google DeepMind开发的模型，通过Transformer架构从大量文本中学习意义表示。与CD不同，这些模型不依赖手工编码的原始动作或显式推理规则。相反，它们学习分布式表示，以捕捉语义相似性和关系。虽然LLM可以执行诸如问答和改写生成等任务，但其内部表示是不透明的，难以解释。
相比之下，概念依赖提供了一种透明且组合性的表示，支持显式推理。然而，它需要大量人工努力来定义原始动作和规则，并且难以捕捉自然语言的细微差别和变异性。一些研究者认为，如神经符号AI中所见，符号与神经方法的结合可以利用两种范式的优势。
遗产与批评
概念依赖因其覆盖范围有限以及难以扩展到现实世界语言而受到批评。原始动作集从未完全达成一致，表示往往需要复杂且难以维护的结构。批评者还指出，CD更适合简单故事，缺乏更广泛应用所需的鲁棒性。
尽管存在这些批评，CD仍然是AI领域的重要历史贡献。它影响了故事理解中脚本、计划和目标的发展，并强调了意义表示在自然语言处理中的重要性。对推理和改写生成的重视预示了现代AI系统力求实现的许多能力。截至2020年代，CD主要具有历史意义，但其思想继续为知识表示和推理研究提供启示。