在英语中，介词可分为简单介词、复合介词和短语介词等多种类型，在语义分析中发挥着重要作用^[9-10]，例如：at、by、in、of、for、off、from是简单的介词. 复合介词是由一个介词和一个副词或形容词组成的固定搭配，它们的含义是整体构成短语所表示的含义，例如：according to，because of，in front of，from under等. 短语介词是由多个词组成的固定短语，在语法上作为一个介词来使用. 短语介词可以是介词、名词或代词的组合，例如：at first，on time，in school等.

介词通常具有多个含义，其具体含义取决于上下文的语境. 例如，在句子“I ran____the park”中，介词“through”和“to”的含义完全不同，分别表示“穿过”和“到达”的意思.

上下文介词消歧是指在给定句子中确定介词具体含义的任务. 例如：

“Buy a car with a steering wheel”.

句中的介词短语“with a steering whee”修饰了名词“a car”. 在该句中，正确的理解是人们应该买一辆带方向盘的汽车，而不是说人们应该用方向盘作为购买汽车的交易条件.

上下文介词歧义问题也可以指一个特定的介词，在不同语义场景下具有多个不同含义. 如图 1，图 2两种情况.

在图 1句子1中，介词短语“with a fork”修饰在动词“eats”上，表示用于进食动作的工具(叉子). 图 2中的句子2看起来似乎与第一个句子只有很小的区别，但是从图 1和图 2中的语法层次树可以看出，它们的语法结构有很大不同. 介词短语“with apple”不修饰在动词上，而是修饰在名词“pizza”上，表示和披萨一起进食的食物(苹果).

因此，准确理解上下文中介词的含义对于正确解析句子的语义至关重要.

早期的研究主要采用基于规则的方法来解决介词消歧问题. 基于规则的方法依赖于手工定义的规则和语法知识，通过匹配和推理来确定介词的含义. 这些方法在小规模数据集上表现良好，但在复杂语义场景下的适应能力有限.

一种常见的基于规则的方法是使用词典或语法规则来确定介词含义. 研究者们根据词典中的定义和示例，或者基于句法规则，手动为每个介词定义含义，然后根据上下文进行匹配. 然而，这种方法需要大量的人工工作和专家知识，并且难以泛化到新的语义环境中.

统计方法通过统计语言模型和机器学习算法来解决介词消歧问题. 其中，最常用的方法是基于特征工程的机器学习方法，通过选择和转化特征来训练分类器进行消歧^[11]. 这些方法通常依赖于手工定义的特征和特征选择算法，限制了其在复杂语义场景下的准确性和泛化能力.

特征工程的方法通常会考虑上下文中的词汇、句法结构和语义信息等特征. 例如，可以考虑上下文中的词性、词频、上下文窗口中的其他词汇等特征. 然后，通过选择合适的特征和使用机器学习算法，如支持向量机(Support Vector Machine，SVM)或朴素贝叶斯分类器来进行消歧.

近年来，随着人工智能、神经网络技术的兴起，基于深度学习的方法在介词消歧问题中取得了显著的进展. 这些方法主要通过将上下文建模和语义信息捕捉纳入神经网络的训练过程中，从而实现了对上下文介词含义的准确判断. 深度学习模型，如神经网络和Transformer等具有强大的表征能力和学习能力，能够从大规模数据中学习复杂的语义信息.

一种常用的方法是使用预训练语言模型，如来自Transformers的双向编码器表示(Bidirectional Encoder Representations from Transformers，BERT)，通过无监督学习方式学习词向量和语言模型，然后在消歧任务上进行微调. BERT模型能够通过双向上下文信息的学习，捕捉到词语的丰富语义表示^[12-13]. 研究者们在BERT模型的基础上进行了改进和优化，如使用不同的注意力机制和网络结构，以提高模型在上下文词义消歧任务上的性能^[14].

除了BERT，还有其他基于深度学习的模型被应用于介词消歧任务，如卷积神经网络(CNN)、循环神经网络(Recurrent Neural Network，RNN)、长短期记忆网络(LSTM)等. 这些模型通过多层神经网络结构，能够捕捉上下文的局部依赖关系和长期依赖关系，从而更好地理解上下文中介词的语义含义.

此外，一些研究工作还尝试将注意力机制引入上下文介词消歧任务中. 注意力机制能够自动地将注意力集中在关键信息上，有助于模型更好地理解上下文的重要部分. 通过引入注意力机制，研究者们能够更准确地捕捉到上下文中与介词含义相关的信息，提高了模型的消歧性能.

树递归神经网络(Tree-RNN，TNN)^[15]被引入利用文本的语言结构来组成句子表示. 通过计算两个候选子节点的表示(如果两个节点合并)，网络将计算其父节点的表示以及新节点的合理性分数. 然后递归地重复这个过程，可以获得短语的语义表示. 本文选择带有长短期记忆功能的树递归神经网络(Long Short-Term Memory Tree Recurrent Neural Network，Tree-LSTM)来编码上下文信息，以便通过考虑小元素的语义组成来获得更好的文本单元表示. 与TNN连接时，LSTM还可随着时间的推移保留序列信息. TNN可以被视为RNN的超集，具有线性结构. RNN需要先前的上下文来捕获短语，并且通常会捕获最终向量中过多的最后一个单词. 与RNN不同，TNN则可以从小块中捕获更大的类似于语言结构的结构.

Tree-LSTM模型的目标是通过递归地跟踪树中不同分支上的传播来加强树节点的高级表示. 在Tree-LSTM结构中，如果一个单词的颜色比另一个单词深，则意味着该单词与上下文向量的相关性比其他单词更大. 如图 3所示，句子“I moved into my flat on the 21st of last month. (我上个月21日搬进了我的公寓)”. 在这个树状结构中，每个单词都表示为一个节点，连接节点的线表示它们之间的语法关系. 重要介词“into” “on” “of”在最终的上下文向量中得到加强.

在上下文表示中，我们嵌入上下文解析树和上下文词向量. 首先使用GloVe向量作为词向量，然后使用Stanford Parser语法分析器来编码解析树. 嵌入后，使用选区Tree-LSTM为树中的每个节点生成隐藏特征. 在这个过程中，每个节点都会递归地处理其子节点的信息，然后更新自己的隐藏状态和存储单元，从而构建出反映整个句子语义的上下文向量.

在生成选区Tree-LSTM之后，根据子节点的表示递归地计算非叶节点的上下文表示，如图 4所示.

为了体现文档信息和实体描述页面，本文使用带有注意力机制的卷积神经网络(CNN)来编码这些背景信息. CNN在处理数据时能够有效地提取出具有稳定性和抽象性的特征. 词嵌入之后，使用CNN为文档生成固定长度的向量. 本文使用修正线性单元(ReLU)作为激活单元，并将结果与最大池化相结合. 然而，CNN无法捕获文档中的重要组成部分. 为了减少噪声对相关信息的影响，引入了一种注意机制，以使模型专注于需要消除歧义的相关信息的重要部分.

对于候选描述部分，使用介词表示作为卷积层输出的注意力权重来强化描述页面的关键部分. 介词表示通过候选介词的词向量的平均值来计算. 对于文档部分，使用候选介词描述向量作为注意力权重来加强文档中的重要组成部分.

细粒度类型为介词提供结构化信息. 细粒度类型是指在分类任务中对目标进行更细致划分和分类的一种方法，它在分类任务中引入了更多的子类或更细致的分类标签，使得分类更具有精确性和详细性. 例如，对于动物分类任务，可以将目标进一步细分为猫科动物、犬科动物、鸟类等，这样的细粒度分类可以更准确地捕捉目标的特征和属性，并提供更丰富的语义信息. 通过引入更多的细粒度类型，可以提高分类模型的准确性和区分能力，使其能够区分具有相似特征的目标. 为了键入候选介词，本文使用自然语言处理工具包(Natural Language Toolkit，NLTK)，这是一个常用的Python库，提供了丰富的文本处理功能，包括句法分析和词性标注等，为介词消歧任务提供支持. NLTK为每个候选介词返回一组类型，然后计算每种类型与介词相关的概率.

本文需要上下文信息来确定每个细粒度类型. 通过使用一种特定的系统，利用一种专注于细节的编码神经模型来预测细粒度类型.

在执行介词消歧(Preposition Disambiguation，PD)系统之前，本文需要生成一些候选介词，这些候选介词具有先前得分，它们在之前的评估中已经得到了分数，而这些分数是通过使用提前计算好的频率字典得出的. 本文从多个细粒度计算候选介词之间的语义相似性. 公式(1)的特征F(w，e)表示语义相似度的多个粒度.

公式(1)计算了两个词向量w和e之间不同组成部分的余弦相似度. 具体来说，w和e被分解为它们的子组成部分，分别标记为w_c，w_d，w_n和e_c，e_d，e_n. 本文PD系统的最终分数是先前分数和语义相似度分数的组合. 然后，选择最终得分最高的候选介词作为消歧系统的结果.

由于TNN利用语言信息来表示句子，因此本文选择BRNN-CNN系统. 由于PD模型使用深度神经网络，因此通过PD模型的损失函数并最小化结果函数来进行训练.

其中，Θ是PD任务的参数集，L_PD为损失函数. 在这个过程中，目标是确定模型参数Θ的最优值，使损失函数L_PD达到最小值. 优化后的模型参数为Θ′，它代表了模型训练完成后的参数状态.

本文使用Tree-LSTM对上下文部分进行建模，因为Tree-LSTM在表示长句子的语义方面表现良好. 文档部分使用带有注意力机制(ACNN)的CNN进行编码. 为了消除噪声对文档部分的影响，采用注意力机制来捕获输入的重要组成部分. 对于类型部分，使用细粒度介词类型系统为每个介词提供一系列类型，以减少歧义.

在上下文介词消歧任务中，本文计算提及部分(上下文、文档、类型)和候选介词部分(上下文、文档、类型)之间的语义相似性，如图 5所示.

在介词消歧领域，目前还没有专门针对介词消歧而构建的独立数据集. 因此，本文选择了一个常用的词义消歧数据集Semeval 2013 Task 12. Semeval 2013 Task 12(数据集是从英文语料库中提取的). 该数据集包含10 000个标记的词义消歧实例，其中5 134个用于训练，4 866个用于测试. Semeval 2013 Task 12数据集覆盖了多个语义类别，包括动词、名词、形容词和介词.

为了衡量模型在介词消歧任务中的性能，本文使用精度(Precision，P)、召回率(Recall，R)和F1-Score作为评价指标. 具体计算如式(3)、式(4)、式(5)所示.

其中，TP为被模型预测为正类的正样本；TN为被模型预测为负类的负样本；FP为被模型预测为正类的负样本；FN为被模型预测为负类的正样本.

本文模型在上下文介词消歧任务中与其他先进的深度学习模型(Word2vec-BiLSTM^[16]、XLNet BERT^[17]、Pre-trained BERT^[18])进行了比较，在3个标准指标上的对比结果如图 6所示.

图 6中，对于Word2vec-BiLSTM，其精度P为75.76%，召回率R为75.63%，F1值为78.82%，位置特征的加入可以帮助模型感知文本中语义向量的位置信息，更好地理解数据中的语义关系. 与Word2vec-BiLSTM相比，Pre-trained BERT中词之间的关系在P、R、F1方面分别提高了3.47%、3.74%和1.26%. 因为BERT生成的词向量是动态的，可以对单词的多义现象进行建模，能够更准确地反映词在当前语义中的实际含义. XLNet BERT通过常用的均值池化和最大池化融合特征来表示文本. 最大池化提取文本中最重要的特征；均值池考虑邻域中的所有语义信息. 该模型的性能相比Pre-trained BERT有很大的提高，分别高出6.80%、6.47%、5.35%. 而本文模型的P、R、F1值分别为89.25%、88.76%、89.58%，高于所有对比模型. 这是因为本文模型使用Tree-LSTM作为文本表示，通过树递归神经网络捕获语义信息，并添加自注意力机制来进一步学习特征信息，而不是简单地扁平化，通过自注意力为不同的语义分配权重，以更好地获得语义依赖关系. 此外，本文模型使用不同大小[3， 4， 5]的卷积核来提取BERT输出的文本语义信息，采用修正线性单元(ReLU)作为激活单元，并将结果与最大池化相结合来筛选提取的语义信息. 通过这两种方式的结合，可以有效地融合最重要的特征和邻域中的所有语义信息. 由图 6可知，本文提出的具有注意力机制的树递归神经网络，在上下文介词消歧任务中取得了比现有主流模型更好的实验结果，验证了模型的有效性.

为了进一步研究本文提出的Tree-LSTM模型中的神经网络与深度学习模型对上下文介词消歧的作用，分别使用学习率、树节点数、卷积核大小进行消融实验分析.

学习率(Learning rate)代表了神经网络中随时间推移和信息累积的速度. 学习率作为监督学习以及深度学习中重要的超参数，决定着目标函数能否收敛到局部最小值以及何时收敛到最小值. 学习率是最影响性能的超参数之一，合适的学习率能够使目标函数在合适的时间内收敛到局部最小值. 为了探究不同学习率对模型性能的影响，本文分别采用0.001、0.0001、0.00005的学习率进行实验，结果如表 1所示.

由表 1可知，当学习率为0.000 1时，本文模型效果最好，P、R、F1值分别为88.14%、87.98%、88.04%. 然而，当学习率增加到0.001时，模型的结果P、R、F1分别下降了3.64%、4.17%、4.04%，因为当学习率过大时，模型会跨越最优值导致长时间不收敛，训练效果不佳. 当学习率为0.000 05时，模型的结果在P、R、F1方面分别下降了2.73%、3.92%、3.72%，因为当学习率太小时，模型容易下降陷入局部最优，无法达到全局最优点. 由此可知，本文模型的最佳学习率为0.000 1.

为了探讨递归神经网络中树节点数量对实验结果的影响，本文将树节点数量设置为2、3、4，实验结果如表 2所示.

如表 2所示，当使用3个树节点时，模型表现最佳. 当树节点数量设置为2时，模型P、R、F1分别为87.25%、85.30%、85.59%，相应指标分别下降0.89%、2.68%、2.45%，这是因为树节点的数量太少，模型将无法充分拟合数据集. 当树节点数量为4时，模型P、R、F1分别为86.62%、86.60%、86.61%，相应指标分别下降1.52%、1.38%、1.43%. 这是因为过多的树节点提取语义信息，导致模型过拟合，降低模型的迁移能力.

为了探讨卷积核大小对模型性能的影响，本文选择大小为[2， 3， 4]、[3， 4， 5]和[4， 5， 6]的卷积核，实验结果如表 3所示.

如表 3所示，当卷积核大小为[3， 4， 5]时，模型达到最佳效果，P、R、F1分别为88.14%、87.98%、88.04%. 当卷积核大小为[2， 3， 4]时，窗口较小，使得感受野的范围较小，感受野包含的文本信息较少，特征也有限，因此模型无法完全表达句子的这些特征，导致P、R、F1值下降1.20%、1.62%、1.53%. 当卷积核大小为[4， 5， 6]时，由于感受野的变化使得全局特征明显，模型获得的文本语义信息中存在相当大的噪声，模型复杂度增加. 模型的P、R、F1分别下降了1.57%、1.94%、1.85%.

近年来的研究发现，歧义消除和理解主要集中在实词(代词、名词、动词等)的消解，对于高频虚词如介词的歧义消除和理解研究较为有限. 因此，本文提出一种基于人工智能的上下文介词消歧方法，采用带有长短期记忆功能的树递归神经网络模型. 该方法使用带有LSTM的TNN(Tree-LSTM)对上下文进行建模，并通过注意力机制捕捉关键信息，以减少噪声对介词含义的影响. 通过多层神经网络结构，模型能够捕捉上下文中的局部依赖关系和长期依赖关系，更好地理解介词的语义含义. 引入注意力机制能够更准确地捕捉与介词含义相关的信息，从而提高消歧性能. 实验结果证明，本文模型在准确性和泛化能力方面具有优越性. 本文为相关领域的研究人员提供了有益的参考和启发，推动了上下文介词消歧技术的进一步发展和应用. 此外，本文模型还表现出较强的鲁棒性，能够适应不同领域和语义场景下的消歧需求. 然而，我们也注意到该模型在处理长文本和复杂语义场景时仍存在一定的挑战，这可能是注意力机制的局限性所致. 未来的研究将进一步探索改进注意力机制，以提升模型在复杂语境下的性能.