А как быть со странами или языками? Дьюи предложил для обозначения их использовать окончания индексов филологии и истории, которые зафиксировали различные языки и страны мира. И тогда геология Европы получает обозначение 55040 (первые три цифры — индекс геологии, две вторые — Европы), геология Азии — 55050, геология Африки — 55060 и т. п.
Десятичной классификацией Дьюи пользуются почти девяносто процентов библиотек США и Великобритании. Однако в большинстве стран мира, в том числе и в нашей стране, используется другая десятичная классификация, именуемая универсальной, сокращенно УДК. Создана она была в начале нашего столетия и с тех пор продолжает совершенствоваться и расширяться. В последних изданиях УДК содержится более ста тысяч руб-рик, охватывающих самые различные области человеческого знания. Полный объем ее таблиц составляет около пятисот авторских листов, то есть десяток томов по триста — пятьсот страниц в каждом.
Тысячи учреждений почти в сотне стран мира пользуются системой УДК. По сути дела, это своеобразный международный язык-посредник. Ведь тексты, выходящие на множестве различных языков мира, индексируются с помощью числового кода УДК. Зная этот код, мы можем перевести его символы средствами своего родного языка.
Система УДК. представляет собой иерархию. Вершина ее — десять цифр, от нуля до девяти, обозначающих главные разделы: 0 — общий отдел, 1 — философия, 2 — религия, 3 — общественные науки и т. д. Далее по тому же десятичному принципу каждый из разделов дробится на отдельные подразделы, те, в свою очередь, на группы, группы—на подгруппы и так до тех пор, пока сохраняется необходимость членения. Чем больше развита та или иная область знания, тем больше и глубина деления.
Например, в минералогии и кристаллографии она достигла десятой степени, то есть отдельные понятия записываются в виде десяти цифр (структура кальцита обозначается числом 548.736.442.2, где цифра 5 обозначает математику и естественные науки, 4 — химию и т. д.). Там, где надо, глубина может увеличиваться безгранично.
Приведем для образца запись на УДК фрагмента текста на русском языке. Фраза «Строительство из стали с экономической точки зрения» будет записана так: 624.94.003.1. Первая цифра, шестерка, кодирует прикладные знания, медицину, технику; вторая — двойка — технику и инженерное дело. Сочетание цифр 624.94. обозначает строительство, каркасные конструкции. А цифры 003.1 — определитель «экономической точки зрения».
И все-таки какой бы совершенной ни была УДК или любая другая классификация этого типа, она не решает главных проблем, возникших в связи с информационным взрывом. Ибо такие системы, если можно так выразиться, одномерны. А поиск информации в наши дни идет по самому различному набору признаков, в многочисленных «измерениях». Специалисты по информатике иллюстрируют это на убедительном и наглядном примере.
Допустим, мы размещаем книги библиотеки по цвету их переплета. В одну группу помещаем книги в красном, в другую — в желтом, в третью — в голубом переплете. Но вот к иам попадает книга в зеленом переплете. Куда ее поместить? Мы выделяем еще одну группу. Когда у нас будет слишком много книг в светло-голубых переплетах, мы эти книги выделим в отдельную подгруппу или даже группу. Оттенки спектра бесчисленны. И мы можем, если потребуется, дробить и дробить эту группировку, используя тот или иной цвет или его оттенок.
Именно так и поступает УДК или подобная ей система. Только вместо бесконечного спектра здесь используется бесконечный ряд чисел. Но представим, что в нашу библиотеку попадает книга, переплет которой частью красный, а частью голубой. Куда ее отнести? К голубым или красным? Если мы отнесем ее и к голубым, и к красным книгам, получится двусмысленность, да и неточность; ведь книга-то не красная и не голубая, а красно-голубая.
Между тем в наше время то и дело возникают именно такие вот «красно-голубые», смешанные области знания, возникшие на стыке наук. Практические же применения их, если продолжить наше сравнение, вообще «серо-буро-малиновые»: медицина переплетается с электроникой, психологией, математикой. Лингвистика, как вы сами убедились, читая эту книгу, стыкуется с инженерией, статистикой и т. д. и т. п. УДК и другие подобные ей системы малопригодны для информационного поиска по любым, заранее не предусмотренным сочетаниям предметов. И совсем непригодны они для поиска по единичным предметам, а также предметам межотраслевого характера, рожденным стыком наук или неожиданным контактом техники и нового открытия в пауке…
Это вывод современных специалистов по информатике. Но задолго до рождения этой науки, еще в 1933 году, выдающийся индийский ученый Шиали Рамамрита Ранганатан указал на слабости цифровой классификации по типу УДК, обозначения «предметов и книг порядковыми числами, необходимого для достижения специфических целей». И не только указал на недостатки старой системы, но и разработал свою систему, весьма оригинальную. Принципы ее и по сей день используют ученые, работающие в области ИПЯ — информационно-поисковых языков. В наши дни создано несколько тысяч таких ИПЯ, так что по своему количеству они могут соперничать с естественными языками.
«Пусто — Непусто», БИТ, «Коран»…
Тезаурус — это сокровище!
Как наполняют сокровищницу?
Семантические множители
Десятичной классификацией Дьюи пользуются почти девяносто процентов библиотек США и Великобритании. Однако в большинстве стран мира, в том числе и в нашей стране, используется другая десятичная классификация, именуемая универсальной, сокращенно УДК. Создана она была в начале нашего столетия и с тех пор продолжает совершенствоваться и расширяться. В последних изданиях УДК содержится более ста тысяч руб-рик, охватывающих самые различные области человеческого знания. Полный объем ее таблиц составляет около пятисот авторских листов, то есть десяток томов по триста — пятьсот страниц в каждом.
Тысячи учреждений почти в сотне стран мира пользуются системой УДК. По сути дела, это своеобразный международный язык-посредник. Ведь тексты, выходящие на множестве различных языков мира, индексируются с помощью числового кода УДК. Зная этот код, мы можем перевести его символы средствами своего родного языка.
Система УДК. представляет собой иерархию. Вершина ее — десять цифр, от нуля до девяти, обозначающих главные разделы: 0 — общий отдел, 1 — философия, 2 — религия, 3 — общественные науки и т. д. Далее по тому же десятичному принципу каждый из разделов дробится на отдельные подразделы, те, в свою очередь, на группы, группы—на подгруппы и так до тех пор, пока сохраняется необходимость членения. Чем больше развита та или иная область знания, тем больше и глубина деления.
Например, в минералогии и кристаллографии она достигла десятой степени, то есть отдельные понятия записываются в виде десяти цифр (структура кальцита обозначается числом 548.736.442.2, где цифра 5 обозначает математику и естественные науки, 4 — химию и т. д.). Там, где надо, глубина может увеличиваться безгранично.
Приведем для образца запись на УДК фрагмента текста на русском языке. Фраза «Строительство из стали с экономической точки зрения» будет записана так: 624.94.003.1. Первая цифра, шестерка, кодирует прикладные знания, медицину, технику; вторая — двойка — технику и инженерное дело. Сочетание цифр 624.94. обозначает строительство, каркасные конструкции. А цифры 003.1 — определитель «экономической точки зрения».
И все-таки какой бы совершенной ни была УДК или любая другая классификация этого типа, она не решает главных проблем, возникших в связи с информационным взрывом. Ибо такие системы, если можно так выразиться, одномерны. А поиск информации в наши дни идет по самому различному набору признаков, в многочисленных «измерениях». Специалисты по информатике иллюстрируют это на убедительном и наглядном примере.
Допустим, мы размещаем книги библиотеки по цвету их переплета. В одну группу помещаем книги в красном, в другую — в желтом, в третью — в голубом переплете. Но вот к иам попадает книга в зеленом переплете. Куда ее поместить? Мы выделяем еще одну группу. Когда у нас будет слишком много книг в светло-голубых переплетах, мы эти книги выделим в отдельную подгруппу или даже группу. Оттенки спектра бесчисленны. И мы можем, если потребуется, дробить и дробить эту группировку, используя тот или иной цвет или его оттенок.
Именно так и поступает УДК или подобная ей система. Только вместо бесконечного спектра здесь используется бесконечный ряд чисел. Но представим, что в нашу библиотеку попадает книга, переплет которой частью красный, а частью голубой. Куда ее отнести? К голубым или красным? Если мы отнесем ее и к голубым, и к красным книгам, получится двусмысленность, да и неточность; ведь книга-то не красная и не голубая, а красно-голубая.
Между тем в наше время то и дело возникают именно такие вот «красно-голубые», смешанные области знания, возникшие на стыке наук. Практические же применения их, если продолжить наше сравнение, вообще «серо-буро-малиновые»: медицина переплетается с электроникой, психологией, математикой. Лингвистика, как вы сами убедились, читая эту книгу, стыкуется с инженерией, статистикой и т. д. и т. п. УДК и другие подобные ей системы малопригодны для информационного поиска по любым, заранее не предусмотренным сочетаниям предметов. И совсем непригодны они для поиска по единичным предметам, а также предметам межотраслевого характера, рожденным стыком наук или неожиданным контактом техники и нового открытия в пауке…
Это вывод современных специалистов по информатике. Но задолго до рождения этой науки, еще в 1933 году, выдающийся индийский ученый Шиали Рамамрита Ранганатан указал на слабости цифровой классификации по типу УДК, обозначения «предметов и книг порядковыми числами, необходимого для достижения специфических целей». И не только указал на недостатки старой системы, но и разработал свою систему, весьма оригинальную. Принципы ее и по сей день используют ученые, работающие в области ИПЯ — информационно-поисковых языков. В наши дни создано несколько тысяч таких ИПЯ, так что по своему количеству они могут соперничать с естественными языками.
«Пусто — Непусто», БИТ, «Коран»…
Рассказ о различных информационных языках потребовал бы не очерка, а целой книги. Мы ограничимся лишь несколькими ИПЯ, наиболее известными или интересными.
«Пусто — Непусто» — так назывался первый в нашей стране информационный язык, разработанный в ВИНИТИ в начале шестидесятых годов. Этот ИЯ предназначался для поиска рефератов по электротехнике с помощью ЭВМ. Знаменательные слова, или, говоря языком информатики, дескрипторы кодировались трехзначными числами. Например, фраза «данные о напряжении тока» на этом языке записывалась так: 153.414.883 (153 — данные, 414 — напряжение, 883 — ток). Информационный язык «Пусто — Непусто» применен был для текстов на двух языках — русском и английском.
В 1965 году В. И. Тарасовым был предложен информационный язык «Кристалл». В отличие от «Пусто — Непусто» кодирование в нем смешанное, с помощью слов и цифр. Слова текста записываются в исходной форме, без грамматических форм. С помощью чисел обозначаются отношения между словами. В наши дни язык «Кристалл» применяется в самых различных сферах: с его помощью отыскивается информация в области химии, медицины, приборостроения, легкой промышленности и т. д. Свыше ста тысяч различных документов переведено на этот информационно-поисковый язык.
Для того чтобы облегчить поиск публикаций по органической химии с помощью машин, разработан информационный язык, получивший название «ИЯ стандартных фраз». Специфика этого языка в том, что он имеет дело не с простыми текстами, представляющими линейную последовательность букв, а с химическими формулами. Формулы же органической химии, как известно, структурны, они располагаются в двумерном пространстве. Поэтому пришлось разрабатывать особый код, с помощью которого двумерные формулы превращались в линейную последовательность цифр.
Наиболее сложный и четкий по своей логике ИЯ был разработан в нашей стране группой сотрудников Института кибернетики АН УССР под руководством Э. Ф. Скороходько. Язык этот получил наименование БИТ. Термины на нем могут быть представлены в трех вариантах: в виде формул, графиков и таблиц. Первый вариант записи наиболее экономичен, второй — нагляден, третий—пригоден для машинной обработки текста (киевские кибернетики разработали специальные программы, которые позволяют ЭВМ переводить текст с естественного языка на искусственный язык БИТ).
В основе этого информационного языка лежит мысль о том, что структура внешнего мира состоит из единиц двух видов: предметов и их отношений. Эти первичные единицы порождают производные — ситуации. Предметы обозначаются символом X,который может иметь различные индексы вверху и внизу. Так, термин «изображение» получит символ Х 0 024,где верхний нолик означает, что мы имеем дело с элементарным понятием, а нижнее число показывает номер данного термина в списке. Более узкий термин, например «полупроводниковый триод», закодируется в виде символа Х 2 301.
Отношения между предметами — релатемы — кодируются латинской буквой R,которой также приписаны верхние и нижние индексы. Ситуации на языке БИТ записываются в виде предложений, состоящих из соединения символов Xи R,имеющих различные индексы. Словарь терминов в этом языке разработан для текстов по радиоэлектронике, но, судя по всему, БИТ может пополняться новыми терминами и понятиями.
Естественно, что появление нового предмета требует нового индекса. Для отношений это не обязательно: производные релатемы могут образовываться сочетанием основных (например, сочетание релатемы «быть местом» и «иметь субъект» образует релатему «быть местом действия»).
Информационный язык БИТ — это усовершенствованный вариант так называемого Кливлендского семантического кода. Код разрабатывался группой американских ученых в городе Кливленд для механизированного поиска информации по металлургии. Алфавитом кода служат не только латинские буквы, но и специальные знаки и числа от 000 до 999. Каждое знаменательное слово, то есть дескриптор, записывается в виде сочетания трех согласных букв. После второй согласной оставляется пробел, который заполняется какой-либо гласной. Вставная буква указывает на определенное отношение, например: А — это «принадлежность, быть предметом»; О — «производить» и т. п. Из простых дескрипторов строятся составные, более сложные. Так, для записи слова телефониспользуются дескрипторы прибор, передача, электричество, информация(ведь телефон — это и есть прибор, предназначенный для передачи информации при помощи электричества).
Таким образом, мы имеем дело с набором элементарных понятий, или, как назвали их создатели Кливлендского семантического кода, смысловыми множителями — по аналогии с физическими базисными величинами (хотя, конечно, никакого умножения тут не происходит, лишь из кирпичиков простых дескрипторов строятся более сложные).
Многие специалисты по информатике считают, что в первую очередь надо создавать не всеобщие ИЯ, а специализированные, нацеленные на какую-то одну область знания. Таков, например, язык «Коран», предназначенный для поиска сведений, содержащихся в священной книге мусульман. Словарь ИЯ «Коран» содержит около пятисот терминов, набитых на перфокарты с указанием, в каком месте священной книги встретилось то или иное слово. Любой отрывок из писания мусульман может быть закодирован на языке «Коран» в виде условных символов и ключевых слов: так, d 1обозначает Аллаха, d 4— ангелов, d 5,— демонов, d 6— джиннов и т. д.
Специальные ИЯ создаются также для записи неязыковой информации. Например, для поиска картографических материалов, различных объектов, интересных для археологов (ваз, монет, мозаики, орнамента, оружия), для классификации товарных знаков по изображению, цвету, геометрической форме.
«Пусто — Непусто» — так назывался первый в нашей стране информационный язык, разработанный в ВИНИТИ в начале шестидесятых годов. Этот ИЯ предназначался для поиска рефератов по электротехнике с помощью ЭВМ. Знаменательные слова, или, говоря языком информатики, дескрипторы кодировались трехзначными числами. Например, фраза «данные о напряжении тока» на этом языке записывалась так: 153.414.883 (153 — данные, 414 — напряжение, 883 — ток). Информационный язык «Пусто — Непусто» применен был для текстов на двух языках — русском и английском.
В 1965 году В. И. Тарасовым был предложен информационный язык «Кристалл». В отличие от «Пусто — Непусто» кодирование в нем смешанное, с помощью слов и цифр. Слова текста записываются в исходной форме, без грамматических форм. С помощью чисел обозначаются отношения между словами. В наши дни язык «Кристалл» применяется в самых различных сферах: с его помощью отыскивается информация в области химии, медицины, приборостроения, легкой промышленности и т. д. Свыше ста тысяч различных документов переведено на этот информационно-поисковый язык.
Для того чтобы облегчить поиск публикаций по органической химии с помощью машин, разработан информационный язык, получивший название «ИЯ стандартных фраз». Специфика этого языка в том, что он имеет дело не с простыми текстами, представляющими линейную последовательность букв, а с химическими формулами. Формулы же органической химии, как известно, структурны, они располагаются в двумерном пространстве. Поэтому пришлось разрабатывать особый код, с помощью которого двумерные формулы превращались в линейную последовательность цифр.
Наиболее сложный и четкий по своей логике ИЯ был разработан в нашей стране группой сотрудников Института кибернетики АН УССР под руководством Э. Ф. Скороходько. Язык этот получил наименование БИТ. Термины на нем могут быть представлены в трех вариантах: в виде формул, графиков и таблиц. Первый вариант записи наиболее экономичен, второй — нагляден, третий—пригоден для машинной обработки текста (киевские кибернетики разработали специальные программы, которые позволяют ЭВМ переводить текст с естественного языка на искусственный язык БИТ).
В основе этого информационного языка лежит мысль о том, что структура внешнего мира состоит из единиц двух видов: предметов и их отношений. Эти первичные единицы порождают производные — ситуации. Предметы обозначаются символом X,который может иметь различные индексы вверху и внизу. Так, термин «изображение» получит символ Х 0 024,где верхний нолик означает, что мы имеем дело с элементарным понятием, а нижнее число показывает номер данного термина в списке. Более узкий термин, например «полупроводниковый триод», закодируется в виде символа Х 2 301.
Отношения между предметами — релатемы — кодируются латинской буквой R,которой также приписаны верхние и нижние индексы. Ситуации на языке БИТ записываются в виде предложений, состоящих из соединения символов Xи R,имеющих различные индексы. Словарь терминов в этом языке разработан для текстов по радиоэлектронике, но, судя по всему, БИТ может пополняться новыми терминами и понятиями.
Естественно, что появление нового предмета требует нового индекса. Для отношений это не обязательно: производные релатемы могут образовываться сочетанием основных (например, сочетание релатемы «быть местом» и «иметь субъект» образует релатему «быть местом действия»).
Информационный язык БИТ — это усовершенствованный вариант так называемого Кливлендского семантического кода. Код разрабатывался группой американских ученых в городе Кливленд для механизированного поиска информации по металлургии. Алфавитом кода служат не только латинские буквы, но и специальные знаки и числа от 000 до 999. Каждое знаменательное слово, то есть дескриптор, записывается в виде сочетания трех согласных букв. После второй согласной оставляется пробел, который заполняется какой-либо гласной. Вставная буква указывает на определенное отношение, например: А — это «принадлежность, быть предметом»; О — «производить» и т. п. Из простых дескрипторов строятся составные, более сложные. Так, для записи слова телефониспользуются дескрипторы прибор, передача, электричество, информация(ведь телефон — это и есть прибор, предназначенный для передачи информации при помощи электричества).
Таким образом, мы имеем дело с набором элементарных понятий, или, как назвали их создатели Кливлендского семантического кода, смысловыми множителями — по аналогии с физическими базисными величинами (хотя, конечно, никакого умножения тут не происходит, лишь из кирпичиков простых дескрипторов строятся более сложные).
Многие специалисты по информатике считают, что в первую очередь надо создавать не всеобщие ИЯ, а специализированные, нацеленные на какую-то одну область знания. Таков, например, язык «Коран», предназначенный для поиска сведений, содержащихся в священной книге мусульман. Словарь ИЯ «Коран» содержит около пятисот терминов, набитых на перфокарты с указанием, в каком месте священной книги встретилось то или иное слово. Любой отрывок из писания мусульман может быть закодирован на языке «Коран» в виде условных символов и ключевых слов: так, d 1обозначает Аллаха, d 4— ангелов, d 5,— демонов, d 6— джиннов и т. д.
Специальные ИЯ создаются также для записи неязыковой информации. Например, для поиска картографических материалов, различных объектов, интересных для археологов (ваз, монет, мозаики, орнамента, оружия), для классификации товарных знаков по изображению, цвету, геометрической форме.
Тезаурус — это сокровище!
Мы начали наш рассказ с Раймонда Луллия, жившего в эпоху, весьма далекую от эры ЭВМ, однако предвосхитившего идею механического «усилителя разума». В том же XIII веке была выпущена книга, давшая название теме, которая является самой актуальной в создании информационных языков (а те, в свою очередь, — ключ к решению основной задачи информатики). Речь идет о создании так называемых тезаурусов.
Термин этот происходит от греческого слова, имеющего значение: сокровище, богатство, клад, запас. От греков это слово попало и в латынь, где стало обозначать сокровищницу, кладовую, склад. Флорентиец Брунетто Латини, живший в XIII веке, назвал «Книгой о сокровище» свою систематизированную энциклопедию знаний той эпохи. В XVI столетии отец и сын Этьенны выпустили толковый словарь языка древних греков, озаглавленный «Сокровищница греческого языка». Этот труд не утратил своего значения и поныне.
А вслед за тем выходят тезаурусы-словари, которые являются своего рода «перевернутыми» толковыми словарями. В толковых словарях вроде знаменитого словаря Даля слова расположены в алфавитном порядке. Значения их раскрываются примерами, взятыми из обыденной речи, из художественной литературы, из народных говоров. В тезаурусах слова и выражения систематизированы не по написанию или произношению, а по их значению. Недаром же тезаурусы называют еще идеологическими словарями.
В 1808 году был выпущен тезаурус санскрита. Все слова в нем объединялись в классы: Небеса, Погода, Время, Добродетели, Пороки, Ад и т. д. А те, в свою очередь, делились на подклассы (например, Ад подразделялся на Ад как таковой, Души умерших, Страдание, Боль).
«Нельзя ли подобным образом рассортировать по смыслам слова не мертвого санскрита или древнегреческого, а живого английского языка?» — такой мыслью задался П. М. Роджет. Ведь подобный словарь принес бы большую пользу в смысла «облегчения выражения понятий», а также «при написании сочинений».,
Роджет выпустил свой «Тезаурус английских слов и фраз» в 1852 году. С той поры его словарь выдержал около сотни изданий. Тезаурус Роджета делит значения всех слов, входящих в него, на шесть основных категорий: абстрактные отношения, пространство, материя, разум, воля, чувственные и моральные силы. Категории эти подразделяются на двадцать четыре подкласса, те — на восемьдесят шесть подподклассов и т. д. Всего тезаурус включает тысячу различных категорий, по которым и разносятся значения слов. Если слово имеет несколько значений, то оно попадает в несколько рубрик. Например, слово кпо! входит в группу 45 (связь), а также 59 (запутанность), 72 (группа), 219 (пересечение), 249 (округлять), 321 (плотность), 704 (трудность) и т. д.
Словарь Роджета при многочисленных своих переизданиях не раз и перерабатывался. Но общая схема его не менялась, добавлялись лишь новые слова и понятия. Между тем этой схемой невозможно охватить необыкновенно расширившуюся в нашем веке сферу науки и техники (напомним, что Роджет жил более ста лет назад). Вот почему, составляя современные тезаурусы, ученые стремятся избежать ограниченности словаря Роджета.
Наиболее полным словарем такого типа считается идеологический словарь немецкого языка, составленный Францем Дорнзайфом. В нем уже не шесть, как у Роджета, а двадцать основных категорий, каждая из которых делится на несколько десятков подклассов. Подклассов может быть от десяти до девяноста, но зато они являются последней рубрикой. В словаре Дорнзайфа нет подподклассов, излишне усложнявших тезаурус Роджета. (Так, первый класс Роджета абстрактные отношенияделился на 1.1. Бытие. 1.1.1. Абстрактное. 1.1.1.1. Бытие. 1.1.1.2. Небытие. 1.1.2. Конкретное. 1.1.2.1. Вещественность. 1.1.2.2. Невещественность и т. д. Нетрудно запутаться во всех этих рядах единичек, точек и двоек.)
Сразу после заглавного слова, опять-таки в отличие от тезауруса Роджета, даются ссылки на другие классы и подклассы, что очень удобно для работы со словарем. Вот как выглядит самая краткая из словарных статей класса под номером тринадцать (Знак, Сообщение, Язык): 13.17. Значение, (см. 9.44. Значимость. 12.31. Понимать. 13.44. Объяснение. 13.53. Перевод. 14.12. Указатель слов). Это значит. Значит, Хочу сказать. Именно. Итак. В этом смысле. Собственно. Буквально. Выражать. Значить. Свидетельствовать. Означать. Обозначить. Иметь целью. Намекать. Извещать. Показывать. Иметь в виду. Относиться к. Служить для. Покрывать. Семантически. Семасиологически. Выражение. Значение. Содержание. Дух. Понимание. Значение слова. Смысл слова. «Синоним». Наука о значении. Семантика. Семасиология.
В словаре Дорнзайфа приведена классификация царства животных и растений, что создана современной наукой, дана систематика минералов, разработанная геологией, и систематика болезней, принятая медициной. При переиздании этот тезаурус пополняется новой лексикой (так, в последнее издание введены слова спутник, водородная бомбаи т. д.). И все-таки как бы ни был полон словарь Дорнзайфа, он не в состоянии охватить всей поистине необозримой терминологии, что существует в современной науке и технике. Да и отношения между смыслами слов слишком общи для того, чтобы можно было вести направленный поиск информации по ним. Вот почему с начала шестидесятых годов в различных странах мира создаются специальные тезаурусы, цель которых — охватить терминологию той или иной области науки и техники. И не просто охватить, но и служить путеводителем в поисках научно-технической информации.
В наши дни созданы десятки тезаурусов в самых различных сферах. Есть тезаурус Евроатома, тезаурус терминов по целлюлозе и бумаге, химико-технологический тезаурус, тезаурус по металлургии и т. д. Принципы их построения совпадают с принципами классических тезаурусов-словарей. Они, как говорят специалисты по информатике, предназначены как для нахождения разных способов выражения одной и той же мысли, так и для оптимизации решения информационно-поисковых задач. Только, в отличие от словарей Роджета и Дорнзайфа, специализированные тезаурусы стремятся не к всеобщему охвату значений, а к детальному и углубленному охвату терминологии той или иной области науки и техники.
Термин этот происходит от греческого слова, имеющего значение: сокровище, богатство, клад, запас. От греков это слово попало и в латынь, где стало обозначать сокровищницу, кладовую, склад. Флорентиец Брунетто Латини, живший в XIII веке, назвал «Книгой о сокровище» свою систематизированную энциклопедию знаний той эпохи. В XVI столетии отец и сын Этьенны выпустили толковый словарь языка древних греков, озаглавленный «Сокровищница греческого языка». Этот труд не утратил своего значения и поныне.
А вслед за тем выходят тезаурусы-словари, которые являются своего рода «перевернутыми» толковыми словарями. В толковых словарях вроде знаменитого словаря Даля слова расположены в алфавитном порядке. Значения их раскрываются примерами, взятыми из обыденной речи, из художественной литературы, из народных говоров. В тезаурусах слова и выражения систематизированы не по написанию или произношению, а по их значению. Недаром же тезаурусы называют еще идеологическими словарями.
В 1808 году был выпущен тезаурус санскрита. Все слова в нем объединялись в классы: Небеса, Погода, Время, Добродетели, Пороки, Ад и т. д. А те, в свою очередь, делились на подклассы (например, Ад подразделялся на Ад как таковой, Души умерших, Страдание, Боль).
«Нельзя ли подобным образом рассортировать по смыслам слова не мертвого санскрита или древнегреческого, а живого английского языка?» — такой мыслью задался П. М. Роджет. Ведь подобный словарь принес бы большую пользу в смысла «облегчения выражения понятий», а также «при написании сочинений».,
Роджет выпустил свой «Тезаурус английских слов и фраз» в 1852 году. С той поры его словарь выдержал около сотни изданий. Тезаурус Роджета делит значения всех слов, входящих в него, на шесть основных категорий: абстрактные отношения, пространство, материя, разум, воля, чувственные и моральные силы. Категории эти подразделяются на двадцать четыре подкласса, те — на восемьдесят шесть подподклассов и т. д. Всего тезаурус включает тысячу различных категорий, по которым и разносятся значения слов. Если слово имеет несколько значений, то оно попадает в несколько рубрик. Например, слово кпо! входит в группу 45 (связь), а также 59 (запутанность), 72 (группа), 219 (пересечение), 249 (округлять), 321 (плотность), 704 (трудность) и т. д.
Словарь Роджета при многочисленных своих переизданиях не раз и перерабатывался. Но общая схема его не менялась, добавлялись лишь новые слова и понятия. Между тем этой схемой невозможно охватить необыкновенно расширившуюся в нашем веке сферу науки и техники (напомним, что Роджет жил более ста лет назад). Вот почему, составляя современные тезаурусы, ученые стремятся избежать ограниченности словаря Роджета.
Наиболее полным словарем такого типа считается идеологический словарь немецкого языка, составленный Францем Дорнзайфом. В нем уже не шесть, как у Роджета, а двадцать основных категорий, каждая из которых делится на несколько десятков подклассов. Подклассов может быть от десяти до девяноста, но зато они являются последней рубрикой. В словаре Дорнзайфа нет подподклассов, излишне усложнявших тезаурус Роджета. (Так, первый класс Роджета абстрактные отношенияделился на 1.1. Бытие. 1.1.1. Абстрактное. 1.1.1.1. Бытие. 1.1.1.2. Небытие. 1.1.2. Конкретное. 1.1.2.1. Вещественность. 1.1.2.2. Невещественность и т. д. Нетрудно запутаться во всех этих рядах единичек, точек и двоек.)
Сразу после заглавного слова, опять-таки в отличие от тезауруса Роджета, даются ссылки на другие классы и подклассы, что очень удобно для работы со словарем. Вот как выглядит самая краткая из словарных статей класса под номером тринадцать (Знак, Сообщение, Язык): 13.17. Значение, (см. 9.44. Значимость. 12.31. Понимать. 13.44. Объяснение. 13.53. Перевод. 14.12. Указатель слов). Это значит. Значит, Хочу сказать. Именно. Итак. В этом смысле. Собственно. Буквально. Выражать. Значить. Свидетельствовать. Означать. Обозначить. Иметь целью. Намекать. Извещать. Показывать. Иметь в виду. Относиться к. Служить для. Покрывать. Семантически. Семасиологически. Выражение. Значение. Содержание. Дух. Понимание. Значение слова. Смысл слова. «Синоним». Наука о значении. Семантика. Семасиология.
В словаре Дорнзайфа приведена классификация царства животных и растений, что создана современной наукой, дана систематика минералов, разработанная геологией, и систематика болезней, принятая медициной. При переиздании этот тезаурус пополняется новой лексикой (так, в последнее издание введены слова спутник, водородная бомбаи т. д.). И все-таки как бы ни был полон словарь Дорнзайфа, он не в состоянии охватить всей поистине необозримой терминологии, что существует в современной науке и технике. Да и отношения между смыслами слов слишком общи для того, чтобы можно было вести направленный поиск информации по ним. Вот почему с начала шестидесятых годов в различных странах мира создаются специальные тезаурусы, цель которых — охватить терминологию той или иной области науки и техники. И не просто охватить, но и служить путеводителем в поисках научно-технической информации.
В наши дни созданы десятки тезаурусов в самых различных сферах. Есть тезаурус Евроатома, тезаурус терминов по целлюлозе и бумаге, химико-технологический тезаурус, тезаурус по металлургии и т. д. Принципы их построения совпадают с принципами классических тезаурусов-словарей. Они, как говорят специалисты по информатике, предназначены как для нахождения разных способов выражения одной и той же мысли, так и для оптимизации решения информационно-поисковых задач. Только, в отличие от словарей Роджета и Дорнзайфа, специализированные тезаурусы стремятся не к всеобщему охвату значений, а к детальному и углубленному охвату терминологии той или иной области науки и техники.
Как наполняют сокровищницу?
Как составляются тезаурусы?
Роджет ничего не знал и, разумеется, не мог знать, каких результатов достигнут науки, занимающиеся проблемой смысла, но он интуитивно понял основные принципы составления тезаурусов: сначала собираются слова из текстов или различных словарей. Затем слова эти выстраиваются по алфавиту, а после из них образуются определение группы, связанные по смыслу.
Какой может быть эта смысловая связь? Во-первых, одно и то же значение можно выразить с помощью разных слов или оборотов. Вполне понятно, что все синонимы будут объединены. Во-вторых, смыслы слов могут быть полностью противоположны (как антонимы типа холодный — горячий, мертвый — живойи т. п.) В-третьих, смысл одного слова может включать в себя смысл другого, или даже многих слов, например значение слова человеквключает в себя наименования сотен различных национальностей нашей планеты. Смысловые связи между словами могут строиться по типу причина — следствиеили часть — целое.Наконец значения слов между собой связаны самыми различными ассоциациями. Причем именно проблема ассоциаций является наиболее трудно разрешимой задачей при построении того или иного тезауруса.
Специалистам в данной области науки нетрудно выделить термины, которыми эта наука пользуется. Сложнее построить иерархию из слов-терминов по смыслу. Однако и эта задача разрешима логическим путем. Можно разграничить смысл слов и словосочетаний, которые образуют новые значения. Например, термины скорость буренияи бурение скоростное— это не синонимы, они имеют совершенно разные значения, так же как дюнный песоки песчаная дюна.Но специалисты по информатике с успехом ликвидируют подобного рода случаи (в первом случае бурение является аспектом, а во втором — атрибутом; в сочетании песчаная дюнапесок — вещественная составляющая, а в сочетании дюнный песок— причина образования дюны).
С ассоциациями дело обстоит много сложней. Ибо здесь действуют законы не двузначной, а многозначной логики.
В тезаурусах группируются, например, понятия ранение — несчастные случаи — диагноз — медицина— патология — терапияили чернила — краски — печатание — письмо.Интуитивно нам понятно, что объединение этих слов оправдано. Но попробуйте-ка доказать его путем формальной логики, и вы убедитесь, что это далеко не так просто, как на первый взгляд кажется. А ведь такие связи существуют не только между обычными словами языка, но и научными терминами.
Еще в 1942 году американский исследователь А. Л. Болдуин попытался внести количественные меры в изучение смысловых связей между словами. Он подсчитал совместную встречаемость слов в письмах, написанных одной женщиной, и показал, что частоты их могут быть указателями настроений этой женщины, круга ее интересов и т. п. С тех пор предложено несколько десятков формул, по которым можно вычислять смысловые связи слов.
Применяются для выявления этих связей и электронные вычислительные машины.
Конечно, как замечает один из специалистов по информатике — Р. М. Нидхем, «нельзя ожидать, что в результате нескольких часов работы ЭВМ. будет получено нечто, что могло бы сразу же заменить интуицию и труд ученого (который все равно необходим при выборе единиц анализа и интерпретации результатов). На что мы можем надеяться — так это на то, что выявятся группы слов, ранее не замеченные, но потенциально возможные».
Тезаурусы составляются учеными в «союзе» с машиной.
Сначала группа специалистов подчеркивает термины в данной области знания. Затем тексты вводятся в ЭВМ, которая выдает эти слова в исходной форме, то есть в именительном падеже, единственном числе и т. п. Потом специалисты разбивают на участки смысловое «поле», внутри этих участков производят более мелкое деление, а полученную схему оформляют в виде анкеты.
Анкета заполняется специалистами по каждому термину, а затем она поступает в ЭВМ, которая объединяет все термины, имеющие одинаковые признаки. И, наконец, человек составляет из них тезаурус.
Роджет ничего не знал и, разумеется, не мог знать, каких результатов достигнут науки, занимающиеся проблемой смысла, но он интуитивно понял основные принципы составления тезаурусов: сначала собираются слова из текстов или различных словарей. Затем слова эти выстраиваются по алфавиту, а после из них образуются определение группы, связанные по смыслу.
Какой может быть эта смысловая связь? Во-первых, одно и то же значение можно выразить с помощью разных слов или оборотов. Вполне понятно, что все синонимы будут объединены. Во-вторых, смыслы слов могут быть полностью противоположны (как антонимы типа холодный — горячий, мертвый — живойи т. п.) В-третьих, смысл одного слова может включать в себя смысл другого, или даже многих слов, например значение слова человеквключает в себя наименования сотен различных национальностей нашей планеты. Смысловые связи между словами могут строиться по типу причина — следствиеили часть — целое.Наконец значения слов между собой связаны самыми различными ассоциациями. Причем именно проблема ассоциаций является наиболее трудно разрешимой задачей при построении того или иного тезауруса.
Специалистам в данной области науки нетрудно выделить термины, которыми эта наука пользуется. Сложнее построить иерархию из слов-терминов по смыслу. Однако и эта задача разрешима логическим путем. Можно разграничить смысл слов и словосочетаний, которые образуют новые значения. Например, термины скорость буренияи бурение скоростное— это не синонимы, они имеют совершенно разные значения, так же как дюнный песоки песчаная дюна.Но специалисты по информатике с успехом ликвидируют подобного рода случаи (в первом случае бурение является аспектом, а во втором — атрибутом; в сочетании песчаная дюнапесок — вещественная составляющая, а в сочетании дюнный песок— причина образования дюны).
С ассоциациями дело обстоит много сложней. Ибо здесь действуют законы не двузначной, а многозначной логики.
В тезаурусах группируются, например, понятия ранение — несчастные случаи — диагноз — медицина— патология — терапияили чернила — краски — печатание — письмо.Интуитивно нам понятно, что объединение этих слов оправдано. Но попробуйте-ка доказать его путем формальной логики, и вы убедитесь, что это далеко не так просто, как на первый взгляд кажется. А ведь такие связи существуют не только между обычными словами языка, но и научными терминами.
Еще в 1942 году американский исследователь А. Л. Болдуин попытался внести количественные меры в изучение смысловых связей между словами. Он подсчитал совместную встречаемость слов в письмах, написанных одной женщиной, и показал, что частоты их могут быть указателями настроений этой женщины, круга ее интересов и т. п. С тех пор предложено несколько десятков формул, по которым можно вычислять смысловые связи слов.
Применяются для выявления этих связей и электронные вычислительные машины.
Конечно, как замечает один из специалистов по информатике — Р. М. Нидхем, «нельзя ожидать, что в результате нескольких часов работы ЭВМ. будет получено нечто, что могло бы сразу же заменить интуицию и труд ученого (который все равно необходим при выборе единиц анализа и интерпретации результатов). На что мы можем надеяться — так это на то, что выявятся группы слов, ранее не замеченные, но потенциально возможные».
Тезаурусы составляются учеными в «союзе» с машиной.
Сначала группа специалистов подчеркивает термины в данной области знания. Затем тексты вводятся в ЭВМ, которая выдает эти слова в исходной форме, то есть в именительном падеже, единственном числе и т. п. Потом специалисты разбивают на участки смысловое «поле», внутри этих участков производят более мелкое деление, а полученную схему оформляют в виде анкеты.
Анкета заполняется специалистами по каждому термину, а затем она поступает в ЭВМ, которая объединяет все термины, имеющие одинаковые признаки. И, наконец, человек составляет из них тезаурус.
Семантические множители
Нельзя ли использовать тезаурусы в качестве языка-посредника при машинном переводе? Этой мыслью задались английские ученые Кембриджской лингвистической группы.
В 1959 году один из крупнейших авторитетов в области машинного перевода, Бар-Хиллел, заявил, что высококачественный перевод с помощью ЭВМ принципиально невозможен. Ибо в нашем языке есть такая многозначность слов, которую нельзя ликвидировать, не обращаясь к внешнему миру, к внеязыковой, или, как говорят ученые, экстралингвистической ситуации, машине недоступной. Бар-Хиллел привел образец подобного рода принципиально непереводимой фразы… И в том же году сотрудники Кембриджской группы добились правильного машинного перевода этой фразы!
Если все предыдущие работы по машинному переводу стремились игнорировать значение, полагая, что ЭВМ недоступно «понимание» смысла текста, то в работах Кембриджской группы акцент делался именно на перевод значения. Ведь его-то передача и является целью всякого перевода с языка на язык. Сделать же этот перевод по смыслу помог знаменитый тезаурус Роджета.
Перевод с помощью тезауруса происходит не так, как обычный человеческий или стандартный машинный перевод. Это перевод не отдельных слов или фраз. Переводятся целые абзацы. Вначале строится единая «формула смысла» данного абзаца, причем смысл фраз, входящих в него, кодируется номерами тезауруса. Затем для полученной «формулы» смысла находятся соответствующие «формулы смысла» того языка, на который переводится текст.
Работы подобного рода ведутся не только в Англии, но и в Италии, в Миланском центре кибернетики и лингвистики, а также в нашей стране. Несколько различаясь в деталях, методика везде едина: выявление своего рода «атомов смысла», семантических множителей, из которых слагается значение отдельных «молекул», слов языка.
Подобные семантические множители применялись, как вы помните, в информационном языке, созданном учеными из Кливленда (Кливлендский семантический код). Но там задача была проще: из набора элементарных понятий формировались более сложные термины. Речь шла именно о терминологии, а не о языке со всеми его оттенками смыслов и значений слов. Здесь же задача, так сказать, на порядок сложнее.
Кембриджская группа пользовалась тезаурусом Роджета. К глубокому сожалению, такого словаря для русского языка до сих пор никто не составил. Правда, сейчас в нашей стране создается не менее интересный словарь, значение которого для машинного перевода трудно переоценить.
Словарь этот — толково-комбинаторный. В нем приводятся все сочетания русских слов, смыслы которых образуют новый, невыводимый из их сложения смысл. Например, проливной дождь, грибной дождь, косой дождь, слепой дождь и т. д. Если в обычных словарях разъясняется смысл отдельного слова, то в новом словаре толкуются словосочетания.
Работа по созданию такого словаря требует очень много труда. Ведь число различных русских слов равно сотням тысяч. А сколько же различных словосочетаний, имеющих «третий смысл», может быть в нашем языке! Вероятно, их не меньше, а гораздо больше отдельных слов и достигает миллиона. Составление словаря продлится не один год, а то и не один десяток лет (в настоящее время удалось зафиксировать сочетания двухсот слов, так что вся работа еще впереди). Поэтому сейчас исследователи стремятся выявить наиболее общие смысловые множители русского языка. С их помощью они надеются определить своеобразную «геометрию смысла», законам которой подчиняется и наш язык, и, по всей видимости, любые другие языки, так как любое содержание, высказанное на одном языке, может быть передано средствами любого языка (опыт переводчиков убедительно это доказывает: стихи Пушкина понимает и «друг степей калмык», и финн, и эвенк, и граждане США, ФРГ, Мексики и т. д.).
В 1959 году один из крупнейших авторитетов в области машинного перевода, Бар-Хиллел, заявил, что высококачественный перевод с помощью ЭВМ принципиально невозможен. Ибо в нашем языке есть такая многозначность слов, которую нельзя ликвидировать, не обращаясь к внешнему миру, к внеязыковой, или, как говорят ученые, экстралингвистической ситуации, машине недоступной. Бар-Хиллел привел образец подобного рода принципиально непереводимой фразы… И в том же году сотрудники Кембриджской группы добились правильного машинного перевода этой фразы!
Если все предыдущие работы по машинному переводу стремились игнорировать значение, полагая, что ЭВМ недоступно «понимание» смысла текста, то в работах Кембриджской группы акцент делался именно на перевод значения. Ведь его-то передача и является целью всякого перевода с языка на язык. Сделать же этот перевод по смыслу помог знаменитый тезаурус Роджета.
Перевод с помощью тезауруса происходит не так, как обычный человеческий или стандартный машинный перевод. Это перевод не отдельных слов или фраз. Переводятся целые абзацы. Вначале строится единая «формула смысла» данного абзаца, причем смысл фраз, входящих в него, кодируется номерами тезауруса. Затем для полученной «формулы» смысла находятся соответствующие «формулы смысла» того языка, на который переводится текст.
Работы подобного рода ведутся не только в Англии, но и в Италии, в Миланском центре кибернетики и лингвистики, а также в нашей стране. Несколько различаясь в деталях, методика везде едина: выявление своего рода «атомов смысла», семантических множителей, из которых слагается значение отдельных «молекул», слов языка.
Подобные семантические множители применялись, как вы помните, в информационном языке, созданном учеными из Кливленда (Кливлендский семантический код). Но там задача была проще: из набора элементарных понятий формировались более сложные термины. Речь шла именно о терминологии, а не о языке со всеми его оттенками смыслов и значений слов. Здесь же задача, так сказать, на порядок сложнее.
Кембриджская группа пользовалась тезаурусом Роджета. К глубокому сожалению, такого словаря для русского языка до сих пор никто не составил. Правда, сейчас в нашей стране создается не менее интересный словарь, значение которого для машинного перевода трудно переоценить.
Словарь этот — толково-комбинаторный. В нем приводятся все сочетания русских слов, смыслы которых образуют новый, невыводимый из их сложения смысл. Например, проливной дождь, грибной дождь, косой дождь, слепой дождь и т. д. Если в обычных словарях разъясняется смысл отдельного слова, то в новом словаре толкуются словосочетания.
Работа по созданию такого словаря требует очень много труда. Ведь число различных русских слов равно сотням тысяч. А сколько же различных словосочетаний, имеющих «третий смысл», может быть в нашем языке! Вероятно, их не меньше, а гораздо больше отдельных слов и достигает миллиона. Составление словаря продлится не один год, а то и не один десяток лет (в настоящее время удалось зафиксировать сочетания двухсот слов, так что вся работа еще впереди). Поэтому сейчас исследователи стремятся выявить наиболее общие смысловые множители русского языка. С их помощью они надеются определить своеобразную «геометрию смысла», законам которой подчиняется и наш язык, и, по всей видимости, любые другие языки, так как любое содержание, высказанное на одном языке, может быть передано средствами любого языка (опыт переводчиков убедительно это доказывает: стихи Пушкина понимает и «друг степей калмык», и финн, и эвенк, и граждане США, ФРГ, Мексики и т. д.).