conanBlog.me();

Socialize

Conan1412 — Sat, 11 Feb 2012 14:31:43 +0800

說好的周記呢？好吧，這兩週很忙。開學第二周就進入了一學期一度的招聘會，那一週的生活就緊緊圍繞這求職。我每天跟上早朝似的，趕到Wasserman Center聽workshop。關於resume/cover letter啦，招聘會啦，以及job hunting……感覺人也越弄越緊張。最後招聘會的時候跟citi的技術招聘人談了下，感覺還行，可是到現在還沒消息，其他幾家銀行也是各種沒音訊。估計是沒戲了，我看還是得挑些小公司投一投吧……

這一週主要是參加了今天的創業者活動收穫比較大，學校方面對外國人在紐約創業這個案例很有興趣，因爲如果我在他們的扶持下做出成績，他們也會因此把勢造得更大。所以約我下次詳細聊一聊。晚上又趕場去了OpenIDEO的活動，很有意思，也接受了些新的思考和工作模式，應該會在將來的工作中運用。

貫穿這兩週的一個詞是「socialize」，求職中，在job market上的職位只有總的人才需求的15%，其他的85%來自內推和引薦；紐約要做第二個硅谷，成爲新的創業中心，需要人際網絡，需要像硅谷學習——高校和創業企業有着千絲萬縷的關係。不管是想求職還是創業，social是必須的，要認識更多人，要讓更多人認識你，要讓網絡持續擴張。即便是招聘會，你還是得寫thanks letter來保持聯絡。所以，這個詞應該會伴隨我之後的路。以前可能我還是很nerd、宅，現在已經不能這樣了，尤其是全球經濟不景氣的現在，要夠餓才能搶到食物。

學習方面，AI和ML漸漸有些難度了，學習過程中遇到不少以前零零散散自學的東西，現在總算是串起來了，但是脈絡還不是很清晰，本週末得好好複習複習。關於旁聽的Web Search Engine這門課，我意識到只聽不練是不行的，所以還是動手做，只能擠時間了。

–EOF–

不安卻興奮的第一周

Conan — Mon, 30 Jan 2012 12:57:05 +0800

「選課一時爽，自掛東南枝。」不知道是不是上學期第一節課沒有認真聽，忽然間發現這學期的課教授都會在第一節課上說「work load」。每每聽完這個部分我都頗感壓力，卻又十分興奮–要做的事情很多，而且有不少聽起來還挺有挑戰的，再看看周圍，很多PhD以及一些看起來IQ就過150的傢伙，這些讓我倍感壓力；另一方面，這些項目聽起來太酷了，YY「要是能做好的話。。」，於是各種興奮。隨後我就開始閒不住了，整理了日程表和TODOs，才發現手邊有大概六七個項目，由於現在在公車上沒法聯網用以查詢，我只能簡單列舉下了：

從零寫Web Server
從零寫email客戶端以及一些簡單的網絡工具（多個小項目）
帶AI的遊戲
用機器學習解決真實問題，我打算做infophile的核心初稿
一個具有geek風格的在線resume

大部分項目得在學期內完成。

週三週四，先後參加了resume和cover letter的workshop、以及resume的review。發現不足，比如用語有待改進、應該按照時間倒序等。本週末必須搞定，因為下週就要開始找工作（實習）了。Resume review的時候我便問指導老師做個個人在線resume是否加分，對方表示非常贊同並鼓勵，於是上面的list就又多了一條。

剛開學聽到了一些同學們的新動態，貌似最火的就是阿茲茲同學（不知道是不是這樣寫，是個新疆哥們兒）做了一個以大學生生活為中心的社交網站，沒親眼見過，不過據說做得很好。有一些很貼心的功能，比如做課目評價，物品轉售。不曾深究過盈利模式等比較實際的問題，單作爲pet project來說還是很不錯的想法。要深究的話還得見過談過才有個不定的定論。

週五IBM的第二臺人工智能機被帶來了我們學校，不過因爲瑣事沒有去成，些許遺憾。CK去聽了，反饋說很深奧。我想也可以理解吧，比較交流會並不是面向大衆的，只有CS少部分得知消息的、正在學習和研究有關AI的人才會去聽。好好學習吧……

這周二丁總遠到而來，其實除了週末陪他去了華盛頓，其餘也沒有陪到他，有失禮節。之前我對他不是很瞭解，這次在車上聊了些問題。總體來說丁總是很值得學習的，吃苦耐勞、獨立自主。從交流中可以看出他強勢的一面。至於交流，說實在的，也不知是我困頓了還是怎麼了，我第一次覺得跟人交流這麼累，甚至被打亂陣腳。雖然丁總沒有考過GRE，但是卻大量地使用GRE論文找茬的技巧，比如說懷疑對方的數據、數據來源和想法依據啦，地理差別可能導致結論不一樣啦之類的。於是我最後只能放棄了——我沒法證明他的懷疑，如何才能繼續話題呢？不過這不代表丁總已經說服我，畢竟，很多我們聊到的問題是現在仍然有很多經濟學家和社會學家都沒法定論的問題。由於接收信息來源和量的不一樣以及所處社會和環境的差異，我們在很多問題上無法達成共識。這很有趣，也不是件壞事，至少很具有啓發性。比如說，end-user其實根本不管tinny wings還是angry bird，在他們看來它們其實差不多：就像我們看黑人，長得都差不多。

華盛頓到底是帝都，在城市建設上要比紐約強。如果只比較這兩個城市的地鐵系統，可稱天壤之別。這次去得很不巧，the capital、紀念碑都沒有開放，白宮也在重陣把守之下，猜測是局勢緊張所致。至於衆多博物館，我們這次的行程實在太緊了，才勉強看了兩個館。對丁總來說實在遺憾，畢竟也不知道下一次來又是何時。我倒還好，車程4小時也不是很遠，隨時有興致了都能過去。華盛頓之行還在丁總的推薦之下發現了一家很帶感的店——Urban Outfitters。

上週小咪小朋友很乖。知道我有很多事情，就沒有經常來找我。要獎勵，發一朵小紅花～

最後放一道問題，其實是我們在昨晚煮玉米時想到的一個問題：一根玉米一半在水裏，一半在水上方。是水裏的先熟還是上面的先熟。主要的難點在於水蒸汽以及水蒸汽的液化會放熱。這不是單純一道物理題。

–EOF–

沒有多少 Achievement 卻很快樂的冬假

Conan1412 — Mon, 23 Jan 2012 14:57:41 +0800

上周從 Bahamas回紐約後已經是有點筋疲力盡。修整了一個下午帶晚上，第二天便開始回到工作中來了。其實與其說工作不如說是學習。雖然計劃不如變化快，但好歹還是想再多學一點東西——Objective-C和Cacoa Touch。在摸索的過程當中發現了一些新特性和經典學習材料的「青黃不接」。比如iOS 5在XCode 4裏的一個新特性——Story Board和Automatic Reference Counting，官方的Documentation其實也沒有給很多詳細的說明，大概能懂，但是因爲很多材料都是基於沒有Story Board和Automatic Reference Counting的情況做得，所以跟着練手並不是簡單地理解所給代碼就行，而是要做很多workaround。好在目前遇到的問題還都算比較共性的問題，大多數都能在網上找到討論。其實這種技術更新、技術文檔「青黃不接」的時候學習雖然可能遇到的麻煩比較多，但是卻能學得更深入更透徹。

閒暇我又花了點時間瞭解了少許Lisp。其實很早就想看看關於Lisp的東西，一是因爲『黑客與畫家』，二是因爲前幾天在推上又看到有人分享了阮一峰的一篇很久以前的關於Lisp的網誌。目前我還對Lisp處於比較膚淺的理解，請允許我引用『Practical Common Lisp』裏的一句話來概括：

The nearest thing Common Lisp has to a motto is the koan-like description, “the programmable programming language.”

我想這是工具（或者說編程語言）的最高境界吧。即使這種特性會帶來一些弊端，比如可讀性低等，但是優勢的光芒足矣遮蓋這些瑕疵。這是一種思維模式的Hack，就像我在所有的Super Heroes中最喜歡Green Lantern（綠燈俠）一樣。編寫Lisp更像是一種思維遊戲。下個學期在一邊堅持一個人的項目的同時，我會花更多時間在Lisp上，很有趣。

大前天下午全家人對雜誌訂閱充滿興趣，據說馬克思說「雜誌比報紙更能傳遞信息」。於是新年我們都送給自己一些雜誌。我訂了Wired、Technology Review/MIT、National Geographic，已經迫不及待了呢。

現在，是紐約大年初一的凌晨兩點差十分。這兩天我們家很溫馨，每天大家都會做一些好吃的，雖然有时味道不一定很好，但是多麼其樂融融啊，很開心。所以……我真的是長胖了呢……

昨天給在中國和新加坡的親人們打了電話，感受到了更多春節的味道。除了父母的感情問題，看似大家都過得很好，多少有點遺憾吧，但是也只能坦然面對了。

昨天早上大概一直到五六點才睡，八九點就被吵醒了，雖然很困還是一邊在推上看春晚吐槽一邊看了幾眼PPS上的有延遲的直播。真心覺得看吐槽比看春晚有意思，春晚上都是網絡老段子，已經笑點全無了……

明天開學，第二個學期，除了非常想把Networking這門課換掉之外，我已經ready to fight。下學期的課據說會充滿挑戰，至少我的「前輩們」是這麼傳的。但是有時難與不難真的看人吧，希望我能學到很多東西、有些波折、但是結果很好～

祝全国草泥马身体健康，万事如意，和家欢乐；住房不用自焚，喂奶不用上访，上网不用翻墙；物价比股价跌得快，工资比领导涨得高～

–EOF–

Jan 9 — 14

Conan1412 — Wed, 18 Jan 2012 06:04:50 +0800

8號我們一行人踏上了亂七八糟的旅行，不過好在之後的行程都很順利。這次旅行是我平生第一次這麼靠近大海，第一次坐遊輪，第一次在海上做刺激的項目（水上摩托和香蕉船）。所有的渡假方式中，我覺得遊輪是最放鬆的了，管吃管住，靠岸了還能四處遊蕩。儘管說有一定的風險（最近就有一艘意大利的遊輪遇難了）。途徑了Freeport和Bahamas。有點熱帶風情什麼的，不過老實說從熱帶來的人肯定沒啥興趣。作爲吃貨中的佼佼者，我還是喜歡到處吃。在船上的日子，賭場是不可少的。每天都會去逛逛。輸了些錢，但是純屬娛樂。

12號去了NASA，感受是無法想像一個火箭得有多複雜才行。這些複雜的系統其實跟Unix一樣，也是有無數小組織拼接起來。這恐怕就是一種「失控」中提到的羣氓的智慧和力量。令人敬畏。

13號順利回到紐約，稍作休息後開始繼續研究Objective-C。動手寫了些東西。現在「視覺」漸漸變得清晰起來，我想很快就可以進入學習的下一階段了。

外出旅遊前便看到HackerNews上關於SOPA的提案。對此事我還挺上心的，畢竟我是從一個言論被極端控制的國家來的，我深知 censorship 給一個國家帶來了什麼。我不希望眼睜睜看着一個國家踏入惡魔。明天（禮拜三），在曼哈頓島上會有個Stop SOPA的抗議遊行。我也會去參加，具體活動信息：Emergency NY Tech Meetup。希望在NY的朋友也能去。

對SOPA不是很瞭解的朋友可以看看我這幾天的一些推：

Stop SOPA site template… http://t.co/V1TauAZw
Wikipedia to Shut Down on Wednesday to Protest SOPA… http://t.co/UbApfcUO
Nearly 1000 of NY Tech protesting Senators on PIPA this Wed — join us, Valley… https://t.co/x9sug6fk
Tim O’Reilly: Why I’m fighting SOPA… http://t.co/I9eLYV1g

–EOF–

亂七八糟的旅行

Conan1412 — Sun, 08 Jan 2012 13:17:18 +0800

在美國的第一個學期結束了，結果比我想象的好，原以為B的那門課得了A-。infophile項目也慢慢開始了，跟以往我lead的項目不太一樣，我總感覺有點力不從心。一方面自己在objective-c這一塊還只是入門水平；另一方面合作的隊友都是老同學，也只能悠着點。所以總的來說項目一直處在拖拖拉拉難以推進的兩難境地，恐怕到最後只有我這個光桿司令在繼續了，畢竟下學期開始他們倆就都要開始把時間花在找工作上了。事實上已經有一個在應付亞馬遜的面試了。嘛～能做多少是多少吧。

學期裡面我們便決定了假期奧蘭多之行，定了遊輪去巴拿馬的trip。可是真是人算不如天算，就在登機前4個小時，一個隊友掉鏈子了，不去了。不過也還是表示理解，畢竟亞馬遜的面試挺重要，還得貼上遊輪的300多大洋的損失……人沒到全也就算了，我們居然……人生第一次誤了航班……就差了15分鐘，而最最鬱悶的是我們在地鐵裡坐錯了方向浪費了足足有半個小時……各種懊惱也沒有用了。廢盡各種周折，每人貼了390刀改了機票，第二天早上7點的。因為想想回去也挺麻煩的，於是就叫了車從原先的機場到了新航班的機場，在此過夜。

希望明天的行程能夠順利一些，漫漫長夜，我們在objective-c中度過，晚安。

–EOF–

[轉帖]nonatomic，assign，copy，retain的区别

Conan1412 — Sat, 07 Jan 2012 06:37:22 +0800

nonatomic：非原子性访问，不加同步，多线程并发访问会提高性能。如果不加此属性，则默认是两个访问方法都为原子型事务访问。（atomic是Objc使用的一种线程保护技术，基本上来讲，是防止在写未完成的时候被另外一个线程读取，造成数据错误。而这种机制是耗费系统资源的，所以在iPhone这种小型设备上，如果没有使用多线程间的通讯编程，那么nonatomic是一个非常好的选择。）

assign: 简单赋值，不更改索引计数。对基础数据类型（NSInteger）和C数据类型（int, float, double, char, 等）

copy:建立一个索引计数为1的对象，然后释放旧对象。对NSString

retain:释放旧的对象，将旧对象的值赋予输入对象，再提高输入对象的索引计数为1。对其他NSObject和其子类

copy与retain的区别：
copy是创建一个新对象，retain是创建一个指针，引用对象计数加1。
eg: 一个NSString 对象，地址为0×1111 ，内容为@”STR”

Copy 到另外一个NSString 之后，地址为0×2222 ，内容相同，新的对象retain为1 ，旧有对象没有变化

retain 到另外一个NSString 之后，地址相同（建立一个指针，指针拷贝），内容当然相同，这个对象的retain值+1

也就是说，retain 是指针拷贝，copy 是内容拷贝。

漫话中文自动分词和语义识别（下）：句法结构和语义结构

Matrix67 — Thu, 05 Jan 2012 16:25:55 +0800

这篇文章是漫话中文分词算法的续篇。在这里，我们将紧接着上一篇文章的内容继续探讨下去：如果计算机可以对一句话进行自动分词，它还能进一步整理句子的结构，甚至理解句子的意思吗？这两篇文章的关系十分紧密，因此，我把前一篇文章改名为了《漫话中文自动分词和语义识别（上）》，这篇文章自然就是它的下篇。我已经在很多不同的地方做过与这个话题有关的演讲了，在这里我想把它们写下来，和更多的人一同分享。

什么叫做句法结构呢？让我们来看一些例子。“白天鹅在水中游”，这句话是有歧义的，它可能指的是“白天有一只鹅在水中游”，也可能指的是“有一只白天鹅在水中游”。不同的分词方案，产生了不同的意义。有没有什么句子，它的分词方案是唯一的，但也会产生不同的意思呢？有。比如“门没有锁”，它可能是指的“门没有被锁上”，也有可能是指的“门上根本就没有挂锁”。这个句子虽然只能切分成“门／没有／锁”，但由于“锁”这个词既有可能是动词，也有可能是名词，因而让整句话产生了不同的意思。有没有什么句子，它的分词方案是唯一的，并且每个词的词义也都不再变化，但整个句子仍然有歧义呢？有可能。看看这句话：“咬死了猎人的狗”。这句话有可能指的是“把猎人的狗咬死了”，也有可能指的是“一只咬死了猎人的狗”。这个歧义是怎么产生的呢？仔细体会两种不同的意思后，你会发现，句子中最底层的成分可以以不同的顺序组合起来，歧义由此产生。

在前一篇文章中，我们看到了，利用概率转移的方法，我们可以有效地给一句话分词。事实上，利用相同的模型，我们也能给每一个词标注词性。更好的做法则是，我们直接把同一个词不同词性的用法当作是不同的词，从而把分词和词性标注的工作统一起来。但是，所有这样的工作都是对句子进行从左至右线性的分析，而句子结构实际上比这要复杂多了，它是这些词有顺序有层次地组合在一起的。计算机要想正确地解析一个句子，在分词和标注词性后，接下来该做的就是分析句法结构的层次。

在计算机中，怎样描述一个句子的句法结构呢？ 1957 年， Noam Chomsky 出版了《句法结构》一书，把这种语言的层次化结构用形式化的方式清晰地描述了出来，这也就是所谓的“生成语法”模型。这本书是 20 世纪为数不多的几本真正的著作之一，文字非常简练，思路非常明晰，震撼了包括语言学、计算机理论在内的多个领域。记得 Quora 上曾经有人问 Who are the best minds of the world today ，投出来的答案就是 Noam Chomsky 。

随便取一句很长很复杂的话，比如“汽车被开车的师傅修好了”，我们总能至顶向下地一层层分析出它的结构。这个句子最顶层的结构就是“汽车修好了”。汽车怎么修好了呢？汽车被师傅修好了。汽车被什么样的师傅修好了呢？哦，汽车被开车的师傅修好了。当然，我们还可以无限地扩展下去，继续把句子中的每一个最底层的成分替换成更详细更复杂的描述，就好像小学语文中的扩句练习那样。这就是生成语法的核心思想。

熟悉编译原理的朋友们可能知道“上下文无关文法”。其实，上面提到的扩展规则本质上就是一种上下文无关文法。例如，一个句子可以是“什么怎么样”的形式，我们就把这条规则记作

句子 → 名词性短语＋动词性短语

其中，“名词性短语”指的是一个具有名词功能的成分，它有可能就是一个名词，也有可能还有它自己的内部结构。例如，它有可能是一个形容词性短语加上“的”再加上另一个名词性短语构成的，比如“便宜的汽车”；它还有可能是由“动词性短语＋的＋名词性短语”构成的，比如“抛锚了的汽车”；它甚至可能是由“名词性短语＋的＋名词性短语”构成的，比如“老师的汽车”。我们把名词性短语的生成规则也都记下来：

      名词性短语 → 名词
      名词性短语 → 形容词性短语＋的＋名词性短语
      名词性短语 → 动词性短语＋的＋名词性短语
      名词性短语 → 名词性短语＋的＋名词性短语
      ⋯⋯

类似地，动词性短语也有诸多具体的形式：

      动词性短语 → 动词
      动词性短语 → 动词性短语＋了
      动词性短语 → 介词短语＋动词性短语
      ⋯⋯

上面我们涉及到了介词短语，它也有自己的生成规则：

介词短语 → 介词＋名词性短语
⋯⋯

我们构造句子的任务，也就是从“句子”这个初始结点出发，不断调用规则，产生越来越复杂的句型框架，然后从词库中选择相应词性的单词，填进这个框架里：

而分析句法结构的任务，则是已知一个句子从左到右各词的词性，要反过来求出一棵满足要求的“句法结构树”。这可以用 Earley parser 来实现。

这样看来，句法结构的问题似乎就已经完美的解决了。其实，我们还差得很远。生成语法有两个大问题。首先，句法结构正确的句子不见得都是好句子。 Chomsky 本人给出了一个经典的例子： Colorless green ideas sleep furiously 。形容词加形容词加名词加动词加副词，这是一个完全符合句法要求的序列，但随便拼凑会闹出很多笑话——什么叫做“无色的绿色的想法在狂暴地睡觉”？顺便插播个广告，如果你还挺喜欢这句话的意境的，欢迎去我以前做的 IdeaGenerator 玩玩。不过，如果我们不涉及句子的生成，只关心句子的结构分析，这个缺陷对我们来说影响似乎并不大。生成语法的第二个问题就比较麻烦了：从同一个词性序列出发，可能会构建出不同的句法结构树。比较下面两个例子：

老师被迟到的学生逗乐了
电话被窃听的房间找到了

它们都是“名词＋介词＋动词＋的＋名词＋动词＋了”，但它们的结构并不一样，前者是老师被逗乐了，“迟到”是修饰“学生”的，后者是房间找到了，“电话被窃听”是一起来修饰房间的。但是，纯粹运用前面的模型，我们无法区分出哪句话应该是哪个句法结构树。如何强化句法分析的模型和算法，让计算机构建出一棵正确的句法树，这成了一个大问题。

让我们来看一个更简单的例子吧。同样是“动词＋形容词＋名词”，我们有两种构建句法结构树的方案：

未经过汉语语法训练的朋友可能会问，“点亮蜡烛”和“踢新皮球”的句法结构真的不同吗？我们能证明，这里面真的存在不同。我们造一个句子“踢破皮球”，你会发现对于这个句子来说，两种句法结构都是成立的，于是出现了歧义：把皮球踢破了（结构和“点亮蜡烛”一致），或者是，踢一个破的皮球（结构和“踢新皮球”一致）。

但为什么“点亮蜡烛”只有一种理解方式呢？这是因为我们通常不会把“亮”字直接放在名词前做定语，我们一般不说“一根亮蜡烛”、“一颗亮星星”等等。为什么“踢新皮球”也只有一种理解方式呢？这是因为我们通常不会把“新”直接放在动词后面作补语，不会说“皮球踢新了”，“衣服洗新了”等等。但是“破”既能作定语又能作补语，于是“踢破皮球”就产生了两种不同的意思。如果我们把每个形容词能否作定语，能否作补语都记下来，然后在生成规则中添加限制条件，不就能完美解决这个问题了吗？

基于规则的句法分析器就是这么做的。汉语语言学家们已经列出了所有词的各种特征：

      亮：词性 = 形容词，能作补语 = True ，能作定语 = False ⋯⋯
      新：词性 = 形容词，能作补语 = False ，能作定语 = True ⋯⋯
      ⋯⋯

当然，每个动词也有一大堆属性：

      点：词性 = 动词，能带宾语 = True ，能带补语 = True ⋯⋯
      踢：词性 = 动词，能带宾语 = True ，能带补语 = True ⋯⋯
      污染：词性 = 动词，能带宾语 = True ，能带补语 = False ⋯⋯
      排队：词性 = 动词，能带宾语 = False ，能带补语 = False ⋯⋯
      ⋯⋯

名词也不例外：

      蜡烛：词性 = 名词，能作主语 = True ，能作宾语 = True ，能受数量词修饰 = True ⋯⋯
      皮球：词性 = 名词，能作主语 = True ，能作宾语 = True ，能受数量词修饰 = True ⋯⋯
      ⋯⋯

有人估计会觉得奇怪了：“能作主语”也是一个属性，莫非有些名词不能做主语？哈哈，这样的名词不但有，而且还真不少：剧毒、看头、厉害、正轨、存亡⋯⋯这些词都不放在动词前面。难道有些名词不能做宾语吗？这样的词也有不少：享年、芳龄、心术、浑身、家丑⋯⋯这些词都不放在动词后面。这样说来，存在不受数量词修饰的词也就不奇怪了，事实上上面这些怪异的名词前面基本上都不能加数量词。

另外一个至关重要的就是，这些性质可以“向上传递”。比方说，我们规定，套用规则

名词性短语 → 形容词性短语＋名词性短语

后，整个名词性短语能否作主语、能否作宾语、能否受数量词修饰，这将取决于它的第二个构成成分。通俗地讲就是，如果“皮球”能够作主语，那么“新皮球”也能够作主语。有了“词语知识库”，又确保了这些知识能够在更高层次得到保留，我们就能给语法生成规则添加限制条件了。例如，我们可以规定，套用规则

动词性短语 → 动词性短语＋名词性短语

的前提条件就是，那个动词性短语的“能带宾语”属性为 True ，并且那个名词性短语“能作宾语”的属性为 True 。另外，我们规定

动词性短语 → 动词性短语＋形容词性短语

必须满足动词性短语的“能带补语”属性为 True ，并且形容词性短语“能作补语”属性为 True 。这样便阻止了“踢新皮球”中的“踢”和“新”先结合起来，因为“新”不能作补语。

最后我们规定，套用规则

名词性短语 → 形容词性短语＋名词性短语

时，形容词性短语必须要能作定语。这就避免了“点亮蜡烛”中的“亮”和“蜡烛”先组合起来，因为“亮”通常不作定语。这样，我们便解决了“动词＋形容词＋名词”的结构分析问题。

当然，这只是一个很简单的例子。在这里的问题 6 、 7 、 8 中你可以看到，一条语法生成规则往往有很多限制条件，这些限制条件不光是简单的“功能相符”和“前后一致”，有些复杂的限制条件甚至需要用 IF … THEN … 的方式来描述。你可以在这里看到，汉语中词与词之间还有各种怪异的区别特征，并且哪个词拥有哪些性质纯粹是知识库的问题，完全没有规律可循。一个实用的句法结构分析系统，往往拥有上百种属性标签。北京大学计算语言所编写了《现代汉语语法信息词典》，它里面包含了 579 种属性。我们的理想目标就是，找到汉语中每一种可能会影响句法结构的因素，并据此为词库里的每一个词打上标签；再列出汉语语法中的每一条生成规则，找到每一条生成规则的应用条件，以及应用这条规则之后，整个成分将会以怎样的方式继承哪些子成分的哪些属性，又会在什么样的情况下产生哪些新的属性。按照生成语言学的观点，计算机就应该能正确解析所有的汉语句子了。

那么，这样一来，计算机是否就已经能从句子中获取到理解语义需要的所有信息了呢？答案是否定的。还有这么一些句子，它从分词到词义到结构都没有两可的情况，但整个句子仍然有歧义。考虑这句话“鸡不吃了”，它有两种意思：鸡不吃东西了，或者我们不吃鸡了。但是，这种歧义并不是由分词或者词义或者结构导致的，两种意思所对应的语法结构完全相同，都是“鸡”加上“不吃了”。但为什么歧义仍然产生了呢？这是因为，在句法结构内部，还有更深层次的语义结构，两者并不相同。

汉语就是这么奇怪，位于主语位置上的事物既有可能是动作的发出者，也有可能是动作的承受者。“我吃完了”可以说，“苹果吃完了”也能讲。然而，“鸡”这个东西既能吃，也能被吃，歧义由此产生。

位于宾语位置上的事物也不一定就是动作的承受者，“来客人了”、“住了一个人”都是属于宾语反而是动作发出者的情况。记得某次数理逻辑课上老师感叹，汉语的谓词非常不规范，明明是太阳在晒我，为什么要说成是“我晒太阳”呢？事实上，汉语的动宾搭配范围极其广泛，还有很多更怪异的例子：“写字”是我们真正在写的东西，“写书”是写的结果，“写毛笔”是写的工具，“写楷体”是写的方式，“写地上”是写的场所，“写一只狗”，等等，什么叫做“写一只狗”啊？我们能说“写一只狗”吗？当然可以，这是写的内容嘛，“同学们这周作文写什么啊”，“我写一只狗”。大家可以想像，学中文的老外看了这个会是什么表情。虽然通过句法分析，我们能够判断出句子中的每样东西都和哪个动词相关联，但从语义层面上看这个关联是什么，我们还需要新的模型。

汉语语言学家把事物与动词的语义关系分为了 17 种，叫做 17 种“语义角色”，它们是施事、感事、当事、动力、受事、结果、系事、工具、材料、方式、内容、与事、对象、场所、目标、起点、时间。你可以看到，语义角色的划分非常详细。同样是动作的发出者，施事指的是真正意义上的发出动作，比如“他吃饭”中的“他”；感事则是指某种感知活动的经验者，比如“他知道这件事了”中的“他”；当事则是指性质状态的主体，比如“他病了”中的“他”；动力则是自然力量的发出者，比如“洪水淹没了村庄”中的“洪水”。语义角色的具体划分以及 17 这个数目是有争议的，不过不管怎样，这个模型本身能够非常贴切地回答“什么是语义”这个问题。

汉语有一种“投射理论”，即一个句子的结构是由这个句子中的谓语投射出来的。给定一个动词后，这个动词能够带多少个语义角色，这几个语义角色都是什么，基本上都已经确定了。因而，完整的句子所应有的结构实际上也就已经确定了。比如，说到“休息”这个动词，你就会觉得它缺少一个施事，而且也不缺别的了。我们只会说“老王休息”，不会说“老王休息手”或者“老王休息沙发”。因而我们认为，“休息”只有一个“论元”。它的“论元结构”是：

休息

因此，一旦在句子中看到“休息”这个词，我们就需要在句内或者句外寻找“休息”所需要的施事。这个过程有一个很帅的名字，叫做“配价”。“休息”就是一个典型的“一价动词”。我们平时接触的比较多的则是二价动词。不过，它们具体的论元有可能不一样：

      吃
      去
      淹没

三价动词也是有的，例如

送

甚至还有零价动词，例如

下雨

下面我们要教计算机做的，就是怎样给动词配价。之前，我们已经给出了解析句法结构的方法，这样计算机便能判断出每个动词究竟在和哪些词发生关系。语义分析的实质，就是确定出它们具体是什么关系。因此，语义识别的问题，也就转化为了“语义角色标注”的问题。然而，语义角色出现的位置并不固定，施事也能出现在动词后面，受事也能出现在动词前面，怎样让计算机识别语义角色呢？在回答这个问题之前，我们不妨问问自己：我们是怎么知道，“我吃完了”中的“我”是“吃”的施事，“苹果吃完了”中的“苹果”是“吃”的受事的呢？大家肯定会说，废话，“我”当然只能是“吃”的施事，因为我显然不会“被吃”；“苹果”当然只能是“吃”的受事，因为苹果显然不能发出“吃”动作。也就是说，“吃”的两个论元都有语义类的要求。我们把“吃”的论元结构写得更详细一些：

吃

而“淹没”一词的论元结构则可以补充为：

淹没

所以，为了完成计算机自动标注语义角色的任务，我们需要人肉建立两个庞大的数据库：语义类词典和论元结构词典。这样的人肉工程早就已经做过了。北京语言大学 1990 年 5 月启动的“九〇五语义工程”就是人工构建的一棵规模相当大的语义树。它把词语分成了事物、运动、时空、属性四大类，其中事物类分为事类和物类，物类又分为具体物和抽象物，具体物则再分为生物和非生物，生物之下则分了人类、动物、植物、微生物、生物构件五类，非生物之下则分了天然物、人工物、遗弃物、几何图形和非生物构件五类，其中人工物之下又包括设施物、运载物、器具物、原材料、耗散物、信息物、钱财七类。整棵语义树有 414 个结点，其中叶子结点 309 个，深度最大的地方达到了 9 层。论元结构方面则有清华大学和人民大学共同完成的《现代汉语述语动词机器词典》，词典中包括了各种动词的拼音、释义、分类、论元数、论元的语义角色、论元的语义限制等语法和语义信息。

说到语义工程，不得不提到董振东先生的知网。这是一个综合了语义分类和语义关系的知识库，不但通过语义树反映了词与词的共性，还通过语义关系反映了每个词的个性。它不但能告诉你“医生”和“病人”都是人，还告诉了你“医生”可以对“病人”发出一个“医治”的动作。知网的理念和 WordNet 工程很相似，后者是 Princeton 在 1985 年就已经开始构建的英文单词语义关系词典，背后也是一个语义关系网的概念，词与词的关系涉及同义词、反义词、上下位词、整体与部分、子集与超集、材料与成品等等。如果你装了 Mathematica，你可以通过 WordData 函数获取到 WordNet 的数据。至于前面说的那几个中文知识库嘛，别问我，我也不知道上哪儿取去。

看到这里，想必大家会欢呼，啊，这下子，在中文信息处理领域，从语法到语义都已经漂亮的解决了吧。其实并没有。上面的论元语义角色的模型有很多问题。其中一个很容易想到的就是隐喻的问题，比如“信息淹没了我”、“悲伤淹没了我”。一旦出现动词的新用法，我们只能更新论元结构：

淹没

但更麻烦的则是下面这些违背语义规则的情况。一个是否定句，比如“张三不可能吃思想”。一个是疑问句，比如“张三怎么可能吃思想”。更麻烦的就是超常现象。随便在新闻网站上一搜，你就会发现各种不符合语义规则的情形。我搜了一个“吃金属”，立即看到某新闻标题《法国一位老人以吃金属为生》。要想解决这些问题，需要给配价模型打上不少补丁。

然而，配价模型也仅仅解决了动词的语义问题。其他词呢？好在，我们也可以为名词发展一套类似的配价理论。我们通常认为“教师”是一个零价名词，而“老师”则是一个一价名词，因为说到“老师”时，我们通常会说“谁的老师”。“态度”则是一个二价的名词，因为我们通常要说“谁对谁的态度”才算完整。事实上，形容词也有配价，“优秀”就是一个一价形容词，“友好”则是一个二价形容词，原因也是类似的。配价理论还有很多更复杂的内容，这里我们就不再详说了。

但还有很多配价理论完全无法解决的问题。比如，语义有指向的问题。“砍光了”、“砍累了”、“砍钝了”、“砍快了”，都是动词后面跟形容词作补语，但实际意义各不相同。“砍光了”指的是“树砍光了”，“砍累了”指的是“人砍累了”，“砍钝了”指的是“斧子砍钝了”，“砍快了”指的是“砍砍快了”。看来，一个动词的每个论元不但有语义类的限制，还有“评价方式”的限制。

两个动词连用，也有语义关系的问题。“抓住不放”中，“抓住”和“不放”这两个动作构成一种反复的关系，抓住就等于不放。“说起来气人”中，“说起来”和“气人”这两个动作构成了一种条件关系，即每次发生了“说起来”这个事件后，都会产生“气人”这个结果。大家或许又会说，这两种情况真的有区别吗？是的，而且我能证明这一点。让我们造一个句子“留着没用”，你会发现它出现了歧义：既可以像“抓住不放”一样理解为反复关系，一直把它留着一直没有使用；又可以像“说起来气人”一样理解为条件关系，留着的话是不会有用的。因此，动词与动词连用确实会产生不同的语义关系，这需要另一套模型来处理。

虚词的语义更麻烦。别以为“了”就是表示完成，“这本书看了三天”表示这本书看完了，“这本书看了三天了”反而表示这本书没看完。“了”到底有多少个义项，现在也没有一个定论。副词也算虚词，副词的语义同样捉摸不定。比较“张三和李四结婚了”与“张三和李四都结婚了”，你会发现描述“都”字的语义没那么简单。

不过，在实际的产品应用中，前面所说的这些问题都不大。这篇文章中讲到的基本上都是基于规则的语言学处理方法。目前更实用的，则是对大规模真实语料的概率统计分析与机器学习算法，这条路子可以无视很多具体的语言学问题，并且效果也相当理想。最大熵模型和条件随机场都是目前非常常用的自然语言处理手段，感兴趣的朋友可以深入研究一下。但是，这些方法也有它们自己的缺点，就是它们的不可预测性。不管哪条路，似乎都离目标还有很远的一段距离。期待在未来的某一日，自然语言处理领域会迎来一套全新的语言模型，一举解决前面提到的所有难题。

2011 -> 2012

Conan1412 — Mon, 02 Jan 2012 10:55:24 +0800

到年末的時候，我讀到了一篇年末總結的博文，我意識到了如果不記錄這一年遇到的很有價值的事物會是極大的損失。因為之前沒有刻意去記錄，所以做到像Fogus那樣是不太可能了。起初我還想着去看每個月的推來做個精選，可是工程浩大，所以今年開始，我得每月弄個精選，以備年末只用，算是2012年學到的第一件事。

這一年，我和 @KarenMeu 去了西藏，那是這一年裡過得最舒坦的日子，因為之前的日子雖然可以閑在家裡讀書學習，可也一直擔心赴美學習之事，塵埃落定前的焦慮。之後的日子並不好過，離別、學業、工作。

說長進，這一年總的來說只能說是平均發揮。雖然說來到美國算是件正面的大事，可是就個人能力而言，並沒有太多提高。

這個學期本來是要修三門課再加自修斯坦福的三門開放課程的。可是因為自修的那三門也有考試和作業，有些力不從心，最後妥協了，只是把自修課都聽了，作業做了一部份。在學校修的三門畢竟優先級更高。2012我應該會繼續自修，只是需要做些調整，不能太貪心，量力而為。在學校的課業方面還需要更加努力，雖然其中一門課確實比較難拿A，但是再努力一點還是有可能的。雖然現在還不知道成績，不過我暫且當它是B。學到的一課是事情要盡量在前面做好，所以說到底還是時間管理問題。

在中國的半年裡讀了一些書，粗略一算大概有20多本，可是來了美國之後卻只讀了四五本。回想一下其實我還有很多時間可以榨取，所以2012應該更加優化時間分配。新技術的跟進上2011做得很不夠，瞭解是遠遠不夠的，2011缺乏hands-on，2012需要有計劃的改善。

值得提及的 achievements 是實現了Windows Free。現在只用Linux，連Mac都很少用，除非需要寫Objective-C。以及，今年的所有項目，除了Objective-C項目，都在VIM下完成。

Pet project，本來組了個小團隊並且在學期裡就打算做的，可是還是因為時間問題，我只能把項目移到冬假裡了。從明天開始我們就要正式開始項目，代碼號rockwise。希望能夠如期完成alpha。小組的學習氣氛很好，coding並不是我們所有要幹的事情，我們每天都會花最後的幾個小時學習 Cracking the Coding Interview。這對我很有幫助，畢竟我CS相關的學術知識沒有過系統的學習，假期裡能先學習一些，在將來的課程中會輕鬆一些，也會有更深的理解。

2011，CoKa一週歲了。感情的維繫必不可少的是溝通。我深知這一點，只是現在很糾結於如何能夠更高效更好地溝通。因為只有高效的溝通才能讓我做到維繫感情並最大化自由支配時間。依然在尋求方法。依然希望 @KarenMeu 能理解和支持。

對了，我開始使用繁體字了。不是裝逼，而是確實更優美，以及我覺得繁體更加讓我不忘本。

2011本博客被訪問最多的日誌是：Kindle DXG 完美中文支持。

2012要做的：

時間時間還是時間，一方面要想方設法擴大自己的自由支配時間，另一方面要優化時間調度算法。
早計劃，早做，一切要趕早
早睡，早起，吃早餐、午餐、晚餐
讀更多書，主要還是CS相關的，理論和思想方面的
讀更多Paper
每天讀新聞，關心實事和業界動態
做很多算法題目
找一個好實習
release rockwise
維繫感情，包括家人和朋友
拿很多A
暑假回國
月月做總結，keep track

–EOF–

关于Résumé

Conan1412 — Sun, 16 Oct 2011 16:05:26 +0800

最近花了点时间弄了下Résumé，其实在内容上没有做很多修改，因为之前在本科阶段和在去美国之前，在指导老师和鸡爪同学的帮助下已经一次次修改了内容，所以大致上应该还说得过去吧。这次更新的主要是Résumé的格式。之前被鸡爪同学说格式有点不给力，虽说那个模板也是从M$的Encata里弄来的，但是据说还是不太符合现在的潮流，于是就决定折腾一下。这次挑战的是LaTeX。

知道LaTeX的同学肯定知道它的编辑和排版其实是要写脚本来完成的，但是目前也有一些软件可以用所见即所得的编辑模式来编辑LaTeX，比如Lyx，这是我给没有学习过但是又急着要用LaTeX的朋友推荐的——比如教授要求必须用，据我所知宾大就有这样的教授。但是其实用所见即所得的方式来玩TeX都没有玩到它的精髓，所以在此我建议所有对排版学和印刷学感兴趣的朋友不要用那种工具，而是真正地坐下来学习语法，用代码来实现排版。至于为什么要LaTeX而不是用Page或者Word，我就不在这里详细讨论了，网上有一堆文章说LaTeX的好，有兴趣的朋友可以去搜搜看。

另外就是还有一个myth需要我来bust一下。从本科开始就一直有人跟我说Résumé不能超过一页。他们的理由就是各个大学的career center的指导老师都这么说。那其实这种理由并是不“valid”的。Résumé的长度一般是1 — 2页，根据个人的经历调节长度。为什么是这个长度呢？我也不知道，但是我问了Google：“why one page resume”。很多文章告诉我长度是根据个人经历而定的，多的可以多写一些，少的可以少写一些，并没有一个准确的规定。但是最好不要多过两页，因为Résumé和Curriculum Vitae (CV)是有区别的，CV要写得详细全面，而Résumé则是一种概括；一张纸正好有两页，作为一个环境保护用户者来说，要最大化使用效率，不浪费，所以1 — 2页，再多一页又会很尴尬（谁都不想简历拿出来之后丁丁挂挂好多东西，一张最干净）。从另一方面说，我也参加过几个招聘活动，看过很多人的Résumé，从我，一个招聘人或面试官的角度来说我并不反对两页纸的Résumé。或许这个myth单纯只是有那么一群HR的人太懒了吧……

本着将开源进行到底的原则～我把我的Résumé代码共享给需要的人。在写这个代码的时候，我也参考了很多其他人的代码，都已经记载在代码的开头部分。效果看这里，不要太认真，我知道我写的这个肯定不是最好看的，内容也不是最吸引人的。代码在这里（again，非常希望大家能contribute）。

Résumé的内容要在实事求是的基础上做“有技巧”的呈现

补充一下：有不少同学被一页的myth所蛊惑，有时明明内容已经超过一页了还尽量想办法放在一页里，比如减小字号，减小各种间距，砍边距等等。这样做是非常不明智的，因为内容的填压只会让美感消失，相信这是任何一份漂亮Résumé都不想遇到的情况。一页不够就放两页吧。但同时我还是要提醒一下，并不是说可以放两页就不管什么都往Résumé上放，我们要仔细想想，上面的每一条信息是不是真的有助于你获得想要的职位，如果没有用甚至不利，不如删掉。在内容方面必须要在实事求是的基础上做“有技巧”的呈现。

刚刚说到砍边距会有损美感，但是看到效果PDF的同学可能会笑我，因为从PDF看，我的做法和我说的背道而驰。这里需要解释一下，效果好不好还要看最后打印的成品，现在家里的打印机用纸可能比我setting的纸略大，所以其实打印后的四个边距正好。因此要使用我模板的同学请自行修改这些参数。

补充的另一点是，我写的LaTeX代码需要用PDFLaTeX编译。

–EOF–

R.I.P. Steve Jobs

Conan1412 — Thu, 06 Oct 2011 14:19:46 +0800

Steve Jobs， 1955–2011

今天我被这个消息震惊了。是在上课的时候，坐在第一排，居然呼出声来。其实理智一点想，知道老乔的身体状况不行，应该也撑不了多久，但是没有想到这一天来得这么快。虽说我不是什么果粉，但老实说心里挺难受的。56岁，太年轻了，不过在这30多年的职业生涯中，他的生命是多么辉煌的绽放啊。

让我们来简单回顾下老乔的生平，首先是来自华尔街日报的简短视频：

在看这个视频的时候我想到了几年前看到的乔布斯在斯坦福的演讲，是他口述自己的三个故事，传奇而又平凡的经历，也正是那个视频让我对老乔开始怀有崇敬之情的，让我们再来听一遍：

4号Apple发布会我还多少有点失望，犹豫要不要买iPhone 4S，现在是打定主意了，买！这是iPhone for Steve。

Requiescat in pace, Steve Jobs.

Random Posts