Inhalt
Aktueller Ordner:
/.ipynb (pretty JSON)
{
"metadata": {
"kernelspec": {
"name": "python",
"display_name": "Python (Pyodide)",
"language": "python"
},
"language_info": {
"codemirror_mode": {
"name": "python",
"version": 3
},
"file_extension": ".py",
"mimetype": "text\/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.8"
}
},
"nbformat_minor": 5,
"nbformat": 4,
"cells": [
{
"id": "d9fca15d-ede2-461a-a93b-b93ed994e074",
"cell_type": "markdown",
"source": "Paul Koop 2023",
"metadata": []
},
{
"id": "c966e10a-8adf-4c57-9b56-cac3795f97ac",
"cell_type": "markdown",
"source": "Qualitative Sozialforschung und Große Sprachmodelle",
"metadata": []
},
{
"id": "10c05849-a444-4a2c-a9b6-b5c2242b19c8",
"cell_type": "markdown",
"source": "Anhand eines protokollierten und kategorisierten Verkaufsgesprächs werde ich demonstrieren, \ndass große Sprachmodelle zwar Interaktionen simulieren, jedoch nicht erklären können. \nZunächst werde ich einen generativen Transformer entwickeln und diesen mit den kategorisierten Protokollen trainieren. \nDabei wird deutlich, dass das Modell zwar in der Lage ist, einen Dialog überzeugend nachzuahmen, \njedoch keine fundierten Erklärungen zu liefern vermag.\n\nIm Anschluss werde ich für die gleichen Daten einen Induktor, einen Transduktor und einen Parser erstellen. \nDies wird veranschaulichen, dass die mit diesen Methoden erzeugten Dialoggrammatiken im Gegensatz zum großen Sprachmodell \nund zum generativen vortrainierten Transformer Erklärungswert besitzen.\n\nAbschließend werde ich die entwickelte Grammatik in ein Multiagentensystem integrieren, das in der Lage ist, \nVerkaufsgespräche zu simulieren und diese entsprechend zu erklären.",
"metadata": []
},
{
"id": "645149f1-69f4-4cd2-b04f-03afddbeb802",
"cell_type": "markdown",
"source": "Die qualitative Sozialforschung hat den Kognitivismus verschlafen.\nSo wurde verpasst, die Rekonstruktion latenter Sinnstrukturen\ndurch die Konstruktion generativer Regeln im Sinne von Algorithmen abzusichern. \nFür valide erhobene Kategoriensysteme (vg. Mayring) lassen sich algorithmische Regeln \neines endlichen Automaten angeben \n(vg. Koop, Paul.: ARS, Grammar-Induction, Parser, Grammar-Transduction).\n\nJetzt parasitieren Posthumanismus, Poststrukturalismus und Transhumanismus die Opake KI.\nUnd parasitieren sie diese nicht, so sind sie wechselseitige Symbionten.\n\nKarl Popper wird dann durch Harry Potter ersetzt und \nqualitative Sozialforschung und Grosse Sprachmodelle werden zu wenig erklärenden,\naber beeindruckendem Cargo-Kult einer nichts erklärenden und alles \nverschleiernden Postmoderne.\n\nFür die Algorithmisch rekursive Sequenzanalyse wurde gezeigt,\ndass für das Protokoll einer Handlungssequenz\nmindestens eine Grammatik angegeben werden kann\n(Induktor in Scheme, Parser in Pascal, Transduktor in Lisp, vgl Koop, P.).\n\nARS ist ein qualitatives Verfahren, \ndas latente Regeln protokollierter Handlungssequenzen\nwiderlegbar rekonstruieren kann.\n\nEin Großes Sprachmodell lässt sich so nachprogrammieren, dass es die \nermittelten Kategorien einer qualitativen Inhaltsanalyse (vgl. Mayring) \nrekonstruieren kann.\n\nDer Erklärungswert eines solchen Modells ist aber vernachlässigbar, \nweil gerade eben nichts erklärt wird.\n\nUm das zu zeigen, wird im Folgenden \ndie Nachprogrammierung eines Großen Sprachmodells beschrieben.\n",
"metadata": []
},
{
"id": "1b4120e8-002a-46c1-b64d-a3a641453117",
"cell_type": "markdown",
"source": "Aus dem Korpus der Kodierungen eines transkribierten Protokolls kann mit einem tiefen Sprachmodell\neine Simulation eines Verkaufsgespräches gefahren werden. \nDer Algorithmus des tiefen Sprachmodell steht dann für die generative Struktur.\nGute Einführungen bieten:\n \nSteinwender, J., Schwaiger, R.:\nNeuronale Netze programmieren mit Python\n2. Auflage 2020\nISBN 978-3-8362-7452-4\n\nTrask, A. W.:\nNeuronale Netze und Deep Learning kapieren\nDer einfache Praxiseinstieg mit Beispielen in Python\n1. Auflage 2020\nISBN 978-3-7475-0017-0\n\nHirschle, J.:\nDeep Natural Language Processing\n1. Auflage 2022\nISBN 978-3-446-47363-8\n\nDie Datenstrukturen in diesem Text sind aus dem oben genannten Titel von A. W. Trask nachprogrammiert. \nDaraus ist dann das tiefe Sprachmodell für Verkaufsgespäche abgeleitet.\n \n \n",
"metadata": []
},
{
"id": "20589e4f-b08c-4c67-9285-505d4f70ac71",
"cell_type": "markdown",
"source": "Neuronale Netze sind mehrdimensionale, meist zweidimensionale Datenfelder rationaler Zahlen. \nEine verborgene Schicht aus voraussagenden Gewichten gewichtet die Daten der Eingabeschicht, propagiert die Ergebnisse zur nächsten Schicht und so fort, \nbis eine offene Ausgabeschicht sie dann ausgibt.\n\nIn der Trainingsphase werden die Gewichte zurückpropagiert, bei Grossen Sprachmodellen mit rekurrenten Netzwerken mit Aufmerksamkeit auf dem protokollierten Kontext.\n\nIn den dem Verständnis dienenden Beispielen wird versucht, die Spielergebnisse einer Mannschaft durch Gewichtung der Zehenzahl,\nder bisher gewonnenen Spiele und der Anzahl an Fans, die zukünftigen Geweinnchancen zu ermitteln.",
"metadata": []
},
{
"id": "fe3ddd08-51f7-4ccd-ae86-d8b7a724bfcb",
"cell_type": "markdown",
"source": "Nur ein Eingabedatum, hier die Zehenzahl:",
"metadata": []
},
{
"id": "f3c53651-23c2-4dda-9e9a-d6e5219b29ea",
"cell_type": "code",
"source": "# Das Netzwerk\ngewicht = 0.1\ndef neurales_netzwerk (eingabe, gewicht):\n ausgabe = eingabe * gewicht\n return ausgabe\n\n# Anwendung des Netzwerkes\nanzahl_der_zehen = [8.5, 9.5, 10, 9]\neingabe = anzahl_der_zehen[0]\nausgabe = neurales_netzwerk (eingabe, gewicht)\nprint(ausgabe)\n\n",
"metadata": [],
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": "0.8500000000000001\n"
}
],
"execution_count": 3
},
{
"id": "133b8848-a758-402a-90e0-ddb9bffff251",
"cell_type": "markdown",
"source": "Jetzt mit drei Eingabedaten (Zehenzahl, bisherige Gewinne, Anzahl Fans):",
"metadata": []
},
{
"id": "34833e44-f410-40ae-9f28-cf0d16ac4853",
"cell_type": "code",
"source": "def propagierungsfunktion(a,b):\n assert(len(a) == len(b))\n ausgabe = 0\n for i in range(len(a)):\n ausgabe += (a[i] * b[i])\n return ausgabe\n\ngewicht = [0.1, 0.2, 0] \n \ndef neurales_netzwerk(eingabe, gewicht):\n ausgabe = propagierungsfunktion(eingabe,gewicht)\n return ausgabe\n\n\nzehen = [8.5, 9.5, 9.9, 9.0]\ngewinnrate = [0.65, 0.8, 0.8, 0.9]\nfans = [1.2, 1.3, 0.5, 1.0]\n\neingabe = [zehen[0],gewinnrate[0],fans[0]]\nausgabe = neurales_netzwerk(eingabe,gewicht)\n\nprint(ausgabe)",
"metadata": [],
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": "0.9800000000000001\n"
}
],
"execution_count": 5
},
{
"id": "5bf21181-d513-4125-9bd5-28ed03c0d7da",
"cell_type": "markdown",
"source": "Jetzt mit der Bibliothek numy (Datenfelder, Vektoren, Matrizen):",
"metadata": []
},
{
"id": "98d43668-8d49-479a-a5e6-ea25fb3f3e53",
"cell_type": "code",
"source": "import numpy as ny\ngewicht = ny.array([0.1, 0.2, 0])\ndef neurales_netzwerk(eingabe, gewicht):\n ausgabe = eingabe.dot(gewicht)\n return ausgabe\n \nzehen = ny.array([8.5, 9.5, 9.9, 9.0])\ngewinnrate = ny.array([0.65, 0.8, 0.8, 0.9])\nfans = ny.array([1.2, 1.3, 0.5, 1.0])\n\n\neingabe = ny.array([zehen[0],gewinnrate[0],fans[0]])\nausgabe = neurales_netzwerk(eingabe,gewicht)\n\nprint(ausgabe)",
"metadata": [],
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": "0.9800000000000001\n"
}
],
"execution_count": 2
},
{
"id": "feb32504-9cb5-4cd1-96a7-5ba34016dc7e",
"cell_type": "markdown",
"source": "Die Gewichte lassen sich so lange anpassen, \nbis der Fehler minimiert ist.",
"metadata": []
},
{
"id": "5a2c5086-7d91-4565-ab52-19e1db0b6c5d",
"cell_type": "code",
"source": "# Prinzipielles Beispiel\ngewicht = 0.5\neingabe = 0.5\nerwuenschte_vorhersage = 0.8\n\nschrittweite = 0.001\n\nfor iteration in range(1101):\n\n vorhersage = eingabe * gewicht\n fehler = (vorhersage - erwuenschte_vorhersage) ** 2\n\n print(\"Fehler:\" + str(fehler) + \" Vorhersage:\" + str(vorhersage))\n \n hoehere_vorhersage = eingabe * (gewicht + schrittweite)\n tieferer_fehler = (gewünschte_vorhersage - hoehere_orhersage) ** 2\n\n hoehere_vorhersage = eingabe * (gewicht - schrittweite)\n tiefere_fehler = (erwuenschte_vorhersage - tiefere_vorhersage) ** 2\n\n if(tieferer_fehler < hoeherer_fehler):\n gewicht = gewicht - schrittweite\n \n if(tieferer_fehler > hoeherer_fehler):\n gewicht = gewicht + schrittweite",
"metadata": [],
"outputs": [],
"execution_count": null
},
{
"id": "04f4d530-6133-45d3-ade3-56d179da55b8",
"cell_type": "code",
"source": "# Trask, A. W.:\n# Neuronale Netze und Deep Learning kapieren\n# Der einfache Praxiseinstieg mit Beispielen in Python\n# 1. Auflage 2020\n# ISBN 978-3-7475-0017-0\n\nimport numpy as np\n\n# Objektklasse Datenfeld\nclass Tensor (object):\n \n def __init__(self,data,\n autograd=False,\n creators=None,\n creation_op=None,\n id=None):\n \n self.data = np.array(data)\n self.autograd = autograd\n self.grad = None\n\n if(id is None):\n self.id = np.random.randint(0,1000000000)\n else:\n self.id = id\n \n self.creators = creators\n self.creation_op = creation_op\n self.children = {}\n \n if(creators is not None):\n for c in creators:\n if(self.id not in c.children):\n c.children[self.id] = 1\n else:\n c.children[self.id] += 1\n\n def all_children_grads_accounted_for(self):\n for id,cnt in self.children.items():\n if(cnt != 0):\n return False\n return True \n \n def backward(self,grad=None, grad_origin=None):\n if(self.autograd):\n \n if(grad is None):\n grad = Tensor(np.ones_like(self.data))\n\n if(grad_origin is not None):\n if(self.children[grad_origin.id] == 0):\n return\n print(self.id)\n print(self.creation_op)\n print(len(self.creators))\n for c in self.creators:\n print(c.creation_op)\n raise Exception(\"cannot backprop more than once\")\n else:\n self.children[grad_origin.id] -= 1\n\n if(self.grad is None):\n self.grad = grad\n else:\n self.grad += grad\n \n\n assert grad.autograd == False\n \n\n if(self.creators is not None and \n (self.all_children_grads_accounted_for() or \n grad_origin is None)):\n\n if(self.creation_op == \"add\"):\n self.creators[0].backward(self.grad, self)\n self.creators[1].backward(self.grad, self)\n \n if(self.creation_op == \"sub\"):\n self.creators[0].backward(Tensor(self.grad.data), self)\n self.creators[1].backward(Tensor(self.grad.__neg__().data), self)\n\n if(self.creation_op == \"mul\"):\n new = self.grad * self.creators[1]\n self.creators[0].backward(new , self)\n new = self.grad * self.creators[0]\n self.creators[1].backward(new, self) \n \n if(self.creation_op == \"mm\"):\n c0 = self.creators[0]\n c1 = self.creators[1]\n new = self.grad.mm(c1.transpose())\n c0.backward(new)\n new = self.grad.transpose().mm(c0).transpose()\n c1.backward(new)\n \n if(self.creation_op == \"transpose\"):\n self.creators[0].backward(self.grad.transpose())\n\n if(\"sum\" in self.creation_op):\n dim = int(self.creation_op.split(\"_\")[1])\n self.creators[0].backward(self.grad.expand(dim,\n self.creators[0].data.shape[dim]))\n\n if(\"expand\" in self.creation_op):\n dim = int(self.creation_op.split(\"_\")[1])\n self.creators[0].backward(self.grad.sum(dim))\n \n if(self.creation_op == \"neg\"):\n self.creators[0].backward(self.grad.__neg__())\n \n if(self.creation_op == \"sigmoid\"):\n ones = Tensor(np.ones_like(self.grad.data))\n self.creators[0].backward(self.grad * (self * (ones - self)))\n \n if(self.creation_op == \"tanh\"):\n ones = Tensor(np.ones_like(self.grad.data))\n self.creators[0].backward(self.grad * (ones - (self * self)))\n \n if(self.creation_op == \"index_select\"):\n new_grad = np.zeros_like(self.creators[0].data)\n indices_ = self.index_select_indices.data.flatten()\n grad_ = grad.data.reshape(len(indices_), -1)\n for i in range(len(indices_)):\n new_grad[indices_[i]] += grad_[i]\n self.creators[0].backward(Tensor(new_grad))\n \n if(self.creation_op == \"cross_entropy\"):\n dx = self.softmax_output - self.target_dist\n self.creators[0].backward(Tensor(dx))\n \n def __add__(self, other):\n if(self.autograd and other.autograd):\n return Tensor(self.data + other.data,\n autograd=True,\n creators=[self,other],\n creation_op=\"add\")\n return Tensor(self.data + other.data)\n\n def __neg__(self):\n if(self.autograd):\n return Tensor(self.data * -1,\n autograd=True,\n creators=[self],\n creation_op=\"neg\")\n return Tensor(self.data * -1)\n \n def __sub__(self, other):\n if(self.autograd and other.autograd):\n return Tensor(self.data - other.data,\n autograd=True,\n creators=[self,other],\n creation_op=\"sub\")\n return Tensor(self.data - other.data)\n \n def __mul__(self, other):\n if(self.autograd and other.autograd):\n return Tensor(self.data * other.data,\n autograd=True,\n creators=[self,other],\n creation_op=\"mul\")\n return Tensor(self.data * other.data) \n\n def sum(self, dim):\n if(self.autograd):\n return Tensor(self.data.sum(dim),\n autograd=True,\n creators=[self],\n creation_op=\"sum_\"+str(dim))\n return Tensor(self.data.sum(dim))\n \n def expand(self, dim,copies):\n\n trans_cmd = list(range(0,len(self.data.shape)))\n trans_cmd.insert(dim,len(self.data.shape))\n new_data = self.data.repeat(copies).reshape(list(self.data.shape) + [copies]).transpose(trans_cmd)\n \n if(self.autograd):\n return Tensor(new_data,\n autograd=True,\n creators=[self],\n creation_op=\"expand_\"+str(dim))\n return Tensor(new_data)\n \n def transpose(self):\n if(self.autograd):\n return Tensor(self.data.transpose(),\n autograd=True,\n creators=[self],\n creation_op=\"transpose\")\n \n return Tensor(self.data.transpose())\n \n def mm(self, x):\n if(self.autograd):\n return Tensor(self.data.dot(x.data),\n autograd=True,\n creators=[self,x],\n creation_op=\"mm\")\n return Tensor(self.data.dot(x.data))\n \n def sigmoid(self):\n if(self.autograd):\n return Tensor(1 \/ (1 + np.exp(-self.data)),\n autograd=True,\n creators=[self],\n creation_op=\"sigmoid\")\n return Tensor(1 \/ (1 + np.exp(-self.data)))\n\n def tanh(self):\n if(self.autograd):\n return Tensor(np.tanh(self.data),\n autograd=True,\n creators=[self],\n creation_op=\"tanh\")\n return Tensor(np.tanh(self.data))\n \n def index_select(self, indices):\n\n if(self.autograd):\n new = Tensor(self.data[indices.data],\n autograd=True,\n creators=[self],\n creation_op=\"index_select\")\n new.index_select_indices = indices\n return new\n return Tensor(self.data[indices.data])\n \n def softmax(self):\n temp = np.exp(self.data)\n softmax_output = temp \/ np.sum(temp,\n axis=len(self.data.shape)-1,\n keepdims=True)\n return softmax_output\n \n def cross_entropy(self, target_indices):\n\n temp = np.exp(self.data)\n softmax_output = temp \/ np.sum(temp,\n axis=len(self.data.shape)-1,\n keepdims=True)\n \n t = target_indices.data.flatten()\n p = softmax_output.reshape(len(t),-1)\n target_dist = np.eye(p.shape[1])[t]\n loss = -(np.log(p) * (target_dist)).sum(1).mean()\n \n if(self.autograd):\n out = Tensor(loss,\n autograd=True,\n creators=[self],\n creation_op=\"cross_entropy\")\n out.softmax_output = softmax_output\n out.target_dist = target_dist\n return out\n\n return Tensor(loss)\n \n \n def __repr__(self):\n return str(self.data.__repr__())\n \n def __str__(self):\n return str(self.data.__str__()) \n\nclass Layer(object):\n \n def __init__(self):\n self.parameters = list()\n \n def get_parameters(self):\n return self.parameters\n\n \nclass SGD(object):\n \n def __init__(self, parameters, alpha=0.1):\n self.parameters = parameters\n self.alpha = alpha\n \n def zero(self):\n for p in self.parameters:\n p.grad.data *= 0\n \n def step(self, zero=True):\n \n for p in self.parameters:\n \n p.data -= p.grad.data * self.alpha\n \n if(zero):\n p.grad.data *= 0\n\n\nclass Linear(Layer):\n\n def __init__(self, n_inputs, n_outputs, bias=True):\n super().__init__()\n \n self.use_bias = bias\n \n W = np.random.randn(n_inputs, n_outputs) * np.sqrt(2.0\/(n_inputs))\n self.weight = Tensor(W, autograd=True)\n if(self.use_bias):\n self.bias = Tensor(np.zeros(n_outputs), autograd=True)\n \n self.parameters.append(self.weight)\n \n if(self.use_bias): \n self.parameters.append(self.bias)\n\n def forward(self, input):\n if(self.use_bias):\n return input.mm(self.weight)+self.bias.expand(0,len(input.data))\n return input.mm(self.weight)\n\n\nclass Sequential(Layer):\n \n def __init__(self, layers=list()):\n super().__init__()\n \n self.layers = layers\n \n def add(self, layer):\n self.layers.append(layer)\n \n def forward(self, input):\n for layer in self.layers:\n input = layer.forward(input)\n return input\n \n def get_parameters(self):\n params = list()\n for l in self.layers:\n params += l.get_parameters()\n return params\n\n\nclass Embedding(Layer):\n \n def __init__(self, vocab_size, dim):\n super().__init__()\n \n self.vocab_size = vocab_size\n self.dim = dim\n \n # this random initialiation style is just a convention from word2vec\n self.weight = Tensor((np.random.rand(vocab_size, dim) - 0.5) \/ dim, autograd=True)\n \n self.parameters.append(self.weight)\n \n def forward(self, input):\n return self.weight.index_select(input)\n\n\nclass Tanh(Layer):\n def __init__(self):\n super().__init__()\n \n def forward(self, input):\n return input.tanh()\n\n\nclass Sigmoid(Layer):\n def __init__(self):\n super().__init__()\n \n def forward(self, input):\n return input.sigmoid()\n \n\nclass CrossEntropyLoss(object):\n \n def __init__(self):\n super().__init__()\n \n def forward(self, input, target):\n return input.cross_entropy(target)\n\n \n# Sprachmodell Long Short Term Memory\nclass LSTMCell(Layer):\n \n def __init__(self, n_inputs, n_hidden, n_output):\n super().__init__()\n\n self.n_inputs = n_inputs\n self.n_hidden = n_hidden\n self.n_output = n_output\n\n self.xf = Linear(n_inputs, n_hidden)\n self.xi = Linear(n_inputs, n_hidden)\n self.xo = Linear(n_inputs, n_hidden) \n self.xc = Linear(n_inputs, n_hidden) \n \n self.hf = Linear(n_hidden, n_hidden, bias=False)\n self.hi = Linear(n_hidden, n_hidden, bias=False)\n self.ho = Linear(n_hidden, n_hidden, bias=False)\n self.hc = Linear(n_hidden, n_hidden, bias=False) \n \n self.w_ho = Linear(n_hidden, n_output, bias=False)\n \n self.parameters += self.xf.get_parameters()\n self.parameters += self.xi.get_parameters()\n self.parameters += self.xo.get_parameters()\n self.parameters += self.xc.get_parameters()\n\n self.parameters += self.hf.get_parameters()\n self.parameters += self.hi.get_parameters() \n self.parameters += self.ho.get_parameters() \n self.parameters += self.hc.get_parameters() \n \n self.parameters += self.w_ho.get_parameters() \n \n def forward(self, input, hidden):\n \n prev_hidden = hidden[0] \n prev_cell = hidden[1]\n \n f = (self.xf.forward(input) + self.hf.forward(prev_hidden)).sigmoid()\n i = (self.xi.forward(input) + self.hi.forward(prev_hidden)).sigmoid()\n o = (self.xo.forward(input) + self.ho.forward(prev_hidden)).sigmoid() \n g = (self.xc.forward(input) + self.hc.forward(prev_hidden)).tanh() \n c = (f * prev_cell) + (i * g)\n\n h = o * c.tanh()\n \n output = self.w_ho.forward(h)\n return output, (h, c)\n \n def init_hidden(self, batch_size=1):\n init_hidden = Tensor(np.zeros((batch_size,self.n_hidden)), autograd=True)\n init_cell = Tensor(np.zeros((batch_size,self.n_hidden)), autograd=True)\n init_hidden.data[:,0] += 1\n init_cell.data[:,0] += 1\n return (init_hidden, init_cell)\n\nimport sys,random,math\nfrom collections import Counter\nimport numpy as np\nimport sys\n\nnp.random.seed(0)\n\n# Einlesen des VKG KORPUS\nf = open('VKGKORPUS.TXT','r')\nraw = f.read()\nf.close()\n\n\n\nvocab = list(set(raw))\nword2index = {}\nfor i,word in enumerate(vocab):\n word2index[word]=i\nindices = np.array(list(map(lambda x:word2index[x], raw)))\n\nembed = Embedding(vocab_size=len(vocab),dim=512)\nmodel = LSTMCell(n_inputs=512, n_hidden=512, n_output=len(vocab))\nmodel.w_ho.weight.data *= 0\n\ncriterion = CrossEntropyLoss()\noptim = SGD(parameters=model.get_parameters() + embed.get_parameters(), alpha=0.05)\n\ndef generate_sample(n=30, init_char=' '):\n s = \"\"\n hidden = model.init_hidden(batch_size=1)\n input = Tensor(np.array([word2index[init_char]]))\n for i in range(n):\n rnn_input = embed.forward(input)\n output, hidden = model.forward(input=rnn_input, hidden=hidden)\n# output.data *= 25\n# temp_dist = output.softmax()\n# temp_dist \/= temp_dist.sum()\n\n# m = (temp_dist > np.random.rand()).argmax()\n m = output.data.argmax()\n c = vocab[m]\n input = Tensor(np.array([m]))\n s += c\n return s\n\nbatch_size = 16\nbptt = 25\nn_batches = int((indices.shape[0] \/ (batch_size)))\n\ntrimmed_indices = indices[:n_batches*batch_size]\nbatched_indices = trimmed_indices.reshape(batch_size, n_batches).transpose()\n\ninput_batched_indices = batched_indices[0:-1]\ntarget_batched_indices = batched_indices[1:]\n\nn_bptt = int(((n_batches-1) \/ bptt))\ninput_batches = input_batched_indices[:n_bptt*bptt].reshape(n_bptt,bptt,batch_size)\ntarget_batches = target_batched_indices[:n_bptt*bptt].reshape(n_bptt, bptt, batch_size)\nmin_loss = 1000\n\n# Training des neuronalen Netztes\ndef train(iterations=400):\n for iter in range(iterations):\n total_loss = 0\n n_loss = 0\n\n hidden = model.init_hidden(batch_size=batch_size)\n batches_to_train = len(input_batches)\n # batches_to_train = 32\n for batch_i in range(batches_to_train):\n\n hidden = (Tensor(hidden[0].data, autograd=True), Tensor(hidden[1].data, autograd=True))\n\n losses = list()\n for t in range(bptt):\n input = Tensor(input_batches[batch_i][t], autograd=True)\n rnn_input = embed.forward(input=input)\n output, hidden = model.forward(input=rnn_input, hidden=hidden)\n\n target = Tensor(target_batches[batch_i][t], autograd=True) \n batch_loss = criterion.forward(output, target)\n\n if(t == 0):\n losses.append(batch_loss)\n else:\n losses.append(batch_loss + losses[-1])\n\n loss = losses[-1]\n\n loss.backward()\n optim.step()\n total_loss += loss.data \/ bptt\n\n epoch_loss = np.exp(total_loss \/ (batch_i+1))\n min_loss =1000\n if(epoch_loss < min_loss):\n min_loss = epoch_loss\n print()\n\n log = \"\\r Iter:\" + str(iter)\n log += \" - Alpha:\" + str(optim.alpha)[0:5]\n log += \" - Batch \"+str(batch_i+1)+\"\/\"+str(len(input_batches))\n log += \" - Min Loss:\" + str(min_loss)[0:5]\n log += \" - Loss:\" + str(epoch_loss)\n if(batch_i == 0):\n log += \" - \" + generate_sample(n=70, init_char='T').replace(\"\\n\",\" \")\n if(batch_i % 1 == 0):\n sys.stdout.write(log)\n\n optim.alpha *= 0.99\n\n\n\n\ntrain(100)\n\ndef generate_sample(n=30, init_char=' '):\n s = \"\"\n hidden = model.init_hidden(batch_size=1)\n input = Tensor(np.array([word2index[init_char]]))\n for i in range(n):\n rnn_input = embed.forward(input)\n output, hidden = model.forward(input=rnn_input, hidden=hidden)\n output.data *= 15\n temp_dist = output.softmax()\n temp_dist \/= temp_dist.sum()\n\n# m = (temp_dist > np.random.rand()).argmax() # sample from predictions\n m = output.data.argmax() # take the max prediction\n c = vocab[m]\n input = Tensor(np.array([m]))\n s += c\n return s\nprint(generate_sample(n=500, init_char='\\n'))\n\n",
"metadata": [],
"outputs": [],
"execution_count": null
},
{
"id": "2da20a86-0024-458d-9aae-1a5a1dc588d8",
"cell_type": "code",
"source": "print(generate_sample(n=500, init_char='\\n'))",
"metadata": [],
"outputs": [],
"execution_count": null
},
{
"id": "554f14b2-a1f1-4dea-93c5-00847f3d6717",
"cell_type": "markdown",
"source": "Ausgabe eines generierten Beispiels:",
"metadata": []
},
{
"id": "aa88cb25-5495-42b1-9074-8b58f143fc6e",
"cell_type": "markdown",
"source": "\nKBG VBG \nKBBD VBBD KBA VBA KAE VAE KAA VAA \nKBBD VBBD KBA VBA KBBD VBBD KBA VBA KBBD VBBD KBA VBA KAE VAE \nKAA VAA \nKAV VAV \nKBG VBG \nKBBD VBBD KBA VBA KAE VAE KAE VAE KAE VAE KAE VAE KAA VAA \nKBBD VBBD KBA VBA KAE VAE KAE VAE KAA VAA \nKBBD VBBD KBA VBA KAE VAE KAA VAA \nKBBD VBBD KBA VBA KBBD VBBD KBA VBA KAE VAE KAA VAA \nKAV VAV\nKBG VBG\nKBBD KBA VBA KBBD VBBD KBA VBA KAE VAE KAE VAE KAA VAA\nKBBD VBBD KBA VBA KBBD KBA VBA KBBD VBBD KBA VBA KBBD VBBD KBA \nKAE VAE KAA VAA\nKBBD VBBD KBA VBA KAE VAE KAE VAE VAE KAA VAA\nKAV VAV",
"metadata": []
},
{
"id": "41e8de0f-c027-4d31-abc2-9a5047159ce2",
"cell_type": "code",
"source": "print(generate_sample(n=500, init_char=' '))",
"metadata": [],
"outputs": [],
"execution_count": null
},
{
"id": "78fb1940-eeec-4c24-bf1e-1fab10bffdeb",
"cell_type": "markdown",
"source": "Im Gegensatz zu kognitivistischen Modellen \n(ARS, Koop,P. Grammar Induction, Parser, Grammar Transduction)\nerklärt ein solches Großes Sprachmodell nichts unddeshalb werden \nGroße Sprachmodell von Postmodernismus, Posthumanismus und Transhumanismus \nmit parasitärer Intention gefeiert.\n\nWenn man ein Lehrbuch über die Regeln von Verkaufsgesprächen schreiben will, \naber einen Softwareagenten erhält, der gerne Verkaufsgespräche führt,\nhat man auf sehr hohem Niveau schlechte Arbeit gemacht.\n\n",
"metadata": []
},
{
"id": "5c6212ea-3f94-4c1d-b18f-221131d26aa0",
"cell_type": "code",
"source": "",
"metadata": {
"trusted": true
},
"outputs": [],
"execution_count": null
},
{
"id": "ce86d174-223c-452f-85a4-eb69b5d9e18e",
"cell_type": "code",
"source": "",
"metadata": {
"trusted": true
},
"outputs": [],
"execution_count": null
},
{
"id": "f1238e6d-2c16-49a9-8348-adc9cee4ecc5",
"cell_type": "markdown",
"source": "Soziale Strukturen und Prozesse\nKausale Inferenz mit Probabilistischen kontextfreien Grammatiken und Bayesschen Netzen\nMit Multiagentensystem und Entscheidungsbaum für Rolle Agenten im Dialog nach empirisch gesicherter Handlungsgrammatik\nAlgorithmisch Rekursive Sequenzanalyse",
"metadata": []
},
{
"id": "2869eba5-58a9-44d4-a198-b4a0818f5a4a",
"cell_type": "markdown",
"source": "Soziale Strukturen und Prozesse hinterlassen rein physikalisch und semantisch unspezifische Spuren, die als Protokolle ihrer Reproduktion und Transformation gelesen werden können. So gelesen sind die Protokolle Texte, diskrete endliche Zeichenkette. Die Regeln der Reproduktion und Transformation können als probabilistische, kontextfreie Grammatiken oder als Bayessche Netze rekonstruiert werden. Die Rekonstruktion steht dann für eine kausale Inferenz der Transformationsregeln der sozialen Strukturen und Prozesse. In dem hier vorliegenden Beispiel ist das Protokoll eine Tonbandaufnahme eines Verkaufsgespräches auf einem Wochenmarkt (https:\/\/github.com\/pkoopongithub\/algorithmisch-rekursive-sequenzanalyse\/blob\/main\/Aachen_280694_11Uhr.mp3). Die Sequenzanalyse des transkribierten Protokolls (https:\/\/github.com\/pkoopongithub\/algorithmisch-rekursive-sequenzanalyse\/blob\/main\/oechsle.pdf) und die Kodierung mit den generierten Kategorien (https:\/\/github.com\/pkoopongithub\/algorithmisch-rekursive-sequenzanalyse\/blob\/main\/fallstruktur.pdf) ist dort auch abgelegt.\n",
"metadata": []
},
{
"id": "2941e596-683c-47dc-bc0e-74bf5cab7dae",
"cell_type": "code",
"source": ";;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; Paul Koop M.A. GRAMMATIKINDUKTION empirisch ;;\n;; gesicherter Verkaufsgespraeche ;;\n;; ;;\n;; Die Simulation wurde ursprunglich entwickelt, ;;\n;; um die Verwendbarkeit von kontextfreien Grammatiken ;;\n;; fuer die Algorithmisch Rekursive Sequanzanalyse ;;\n;; zu ueberpruefen\t\t\t\t\t ;;\n;; Modellcharakter hat allein der Quelltext. ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n;; __|__ ___|__ __|__ __|__ __|__ __|__ ;;\n;; | | | | | | | | | | | | ;;\n;; KBG->VBGKBBd->VBBdKBA->VBAKAE->VAEKAA->VAAKAV-> VAV ;;\n;; ;;\n;; Die Produktionen --> sind entsprechend ihrer ;;\n;; emp. Auftrittswahrscheinlichkeit gewichtet ;;\n;; DIE GRAMMATIK WIRD AUS DEM KORPUS INDUZIERT ;;\n;; ein Left-to-the-Right-Modell ;; \n;; ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;;; Transformationsmatrix ;;;;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;;a\tb c\td e\tf c\td\te\tf\tg\th\ti\tj\tg\th\ti\tj\tk\tl ;;\n;;0\t1 2\t3 4\t5 2\t3\t4\t5\t6\t7\t8\t9\t6\t7\t8\t9\t10\t11;;\n;; ;;\n;;\t0\t1\t2\t3\t4\t5\t6\t7\t8\t9\t10\t11\t12\t13\t ;;\n;;0\t-\t1\t\t\t\t\t\t\t\t\t\t\t\t\t\t ;;\n;;1\t-\t\t2\t\t\t\t\t\t\t\t\t\t\t\t\t ;;\n;;2\t-\t\t-\t2\t\t\t\t\t\t\t\t\t\t\t\t ;;\n;;3\t-\t\t-\t\t2\t\t\t\t\t\t\t\t\t\t\t ;;\n;;4\t-\t-\t-\t-\t-\t2\t\t\t\t\t\t\t\t\t\t ;;\n;;5\t-\t\t1\t\t\t\t2\t\t\t\t\t\t\t\t\t ;;\n;;6\t-\t\t-\t\t\t\t-\t2\t\t\t\t\t\t\t\t ;;\n;;7\t-\t\t-\t\t\t\t-\t\t2\t\t\t\t\t\t\t ;;\n;;8\t-\t\t-\t-\t-\t-\t-\t-\t-\t2\t\t\t\t\t\t ;;\n;;9\t-\t\t\t\t\t\t1\t\t\t\t1\t\t\t\t\t ;;\n;;10\t-\t-\t-\t-\t-\t-\t-\t-\t-\t-\t-\t1\t\t\t ;;\n;;11\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; Begruessung := BG ;;\n;; Bedarf := Bd ;;\n;; Bedarfsargumentation := BA ;;\n;; Abschlusseinwaende := AE ;;\n;; Verkaufsabschluss := AA ;;\n;; Verabscheidung := AV ;;\n;; Kunde := vorangestelltes K ;;\n;; Verkaeufer := vorangestelltes V ;;\n;; ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n;; Korpus \n (define korpus (list 'KBG 'VBG 'KBBd 'VBBd 'KBA 'VBA 'KBBd 'VBBd 'KBA 'VBA 'KAE 'VAE 'KAE 'VAE 'KAA 'VAA 'KAV 'VAV));; 0 - 17\n \n \n\n ;; Korpus durchlaufen \n (define (lesen korpus)\n ;; car ausgeben\n (display (car korpus))\n ;; mit cdr weitermachen\n (if(not(null? (cdr korpus)))\n (lesen (cdr korpus))\n ;;(else)\n )\n )\n \n;; Lexikon \n (define lexikon (vector 'KBG 'VBG 'KBBd 'VBBd 'KBA 'VBA 'KAE 'VAE 'KAA 'VAA 'KAV 'VAV)) ;; 0 - 12 \n \n\n\n ;; Index fuer Zeichen ausgeben \n (define (izeichen zeichen)\n (define wertizeichen 0)\n (do ((i 0 (+ i 1)))\n ( (equal? (vector-ref lexikon i) zeichen)) \n (set! wertizeichen (+ 1 i))\n )\n ;;index zurueckgeben\n wertizeichen\n )\n \n;; transformationsmatrix \n (define zeile0 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile1 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile2 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile3 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile4 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile5 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile6 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile7 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile8 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile9 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile10 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile11 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile12 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile13 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile14 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile15 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile16 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n (define zeile17 (vector 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0))\n \n (define matrix (vector zeile0 zeile1 zeile2 zeile3 zeile4 zeile5 zeile6 zeile7 zeile8 zeile9 zeile10 zeile11 zeile12 zeile13 zeile14 zeile15 zeile16 zeile17))\n \n \n ;; Transformationen zaehlen \n ;; Korpus durchlaufen \n (define (transformationenZaehlen korpus)\n ;; car zaehlen\n (vector-set! (vector-ref matrix (izeichen (car korpus))) (izeichen (car(cdr korpus))) (+ 1 (vector-ref (vector-ref matrix (izeichen (car korpus))) (izeichen (car(cdr korpus))))))\n ;; mit cdr weitermachen\n (if(not(null? (cdr (cdr korpus))))\n (transformationenZaehlen (cdr korpus))\n ;;(else)\n )\n )\n\n \n ;; Transformation aufaddieren\n \n ;; Zeilensummen bilden und Prozentwerte bilden\n \n\n;; Grammatik\n (define grammatik (list '- ))\n \n ;; aus matrix regeln bilden und regeln in grammatik einfügene \n (define (grammatikerstellen matrix)\n (do ((a 0 (+ a 1)))\n ((= a 12) )(newline)\n (do ((b 0 (+ b 1)))\n ((= b 12))\n (if (< 0 (vector-ref (vector-ref matrix a) b) ) \n (display (cons (vector-ref lexikon a) (cons '-> (vector-ref lexikon b))))\n )\n )\n )\n )",
"metadata": [],
"outputs": [],
"execution_count": null
},
{
"id": "8a998033-e0a8-4585-b368-c1cdcde79160",
"cell_type": "markdown",
"source": "Zum Erstellen der Grammatik wird die Transformationstabelle erstellt und aus dieser die Grammatik",
"metadata": []
},
{
"id": "b5126980-38fb-480c-8b2c-e530c303470d",
"cell_type": "code",
"source": " (transformationenZaehlen korpus)\n (grammatikerstellen matrix)",
"metadata": [],
"outputs": [],
"execution_count": null
},
{
"id": "9c578f33-d92f-424f-9a39-f3f2efb38902",
"cell_type": "markdown",
"source": "Die Grammatik wird dann erstellt",
"metadata": []
},
{
"id": "858ded95-2bd3-4e45-a845-68052994612e",
"cell_type": "code",
"source": "(KBG -> . VBG)\n(VBG -> . KBBd)\n(KBBd -> . VBBd)\n(VBBd -> . KBA)\n(KBA -> . VBA)\n(VBA -> . KBBd)(VBA -> . KAE)\n(KAE -> . VAE)\n(VAE -> . KAE)(VAE -> . KAA)\n(KAA -> . VAA)\n(VAA -> . KAV)\n(KAV -> . VAV)\n",
"metadata": [],
"outputs": [],
"execution_count": null
},
{
"id": "1afb30a3-fb8e-4bb8-95ef-5e8fc145c65b",
"cell_type": "markdown",
"source": "Mit dieser Grammatik und den empirischen Auftrittswahrscheinlichkeiten lässt sich dann ein Transduktor erstellen, der Protokolle Simuliert",
"metadata": []
},
{
"id": "6ed91914-ad90-4ec6-8401-051e3ed86c93",
"cell_type": "code",
"source": ";;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; Paul Koop M.A. 1994 Sequenzanalyse empirisch ;;\n;; gesicherter Verkaufsgespraeche ;;\n;; ;;\n;; Die Simulation wurde ursprunglich entwickelt, ;;\n;; um die Verwendbarkeit von kontextfreien Grammatiken ;;\n;; fuer die Algorithmisch Rekursive Sequanzanalyse ;;\n;; zu ueberpruefen\t\t\t\t\t ;;\n;; Modellcharakter hat allein der Quelltext. ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; VKG ;;\n;; _____________________|_____________________ ;;\n;; | | | ;;\n;; BG------------------>VT------------------>AV ;;\n;; | _______|________ | ;;\n;; | | | | ;;\n;; | B------------->A | ;;\n;; | _____|____ ___|_____ | ;;\n;; | | | | | | ;;\n;; | BBd----->BA AE----->AA | ;;\n;; __|__ ___|__ __|__ __|__ __|__ __|__ ;;\n;; | | | | | | | | | | | | ;;\n;; KBG->VBGKBBd->VBBdKBA->VBAKAE->VAEKAA->VAAKAV-> VAV ;;\n;; ;;\n;; Die Produktionen --> sind entsprechend ihrer ;;\n;; emp. Auftrittswahrscheinlichkeit gewichtet ;;\n;; Waehrend die Kanten des Strukturbaumes ein Top-down-Modell ;;\n;; wiedergeben, bilden die Produktionen ;;\n;; des Kategoriensystem-Systems (K-System) ;;\n;; ein Left-to-the-Right-Modell ;; \n;; ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; Verkaufsgespraech := VKG ;;\n;; Verkaufstaetigkeit := VT ;;\n;; Bedarfsteil := B ;;\n;; Abschlussteil := A ;;\n;; Begruessung := BG ;;\n;; Bedarf := Bd ;;\n;; Bedarfsargumentation := BA ;;\n;; Abschlusseinwaende := AE ;;\n;; Verkaufsabschluss := AA ;;\n;; Verabscheidung := AV ;;\n;; Kunde := vorangestelltes K ;;\n;; Verkaeufer := vorangestelltes V ;;\n;; ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; - Die Fallstruktur wird rein physikalisch protokolliert ;;\n;; mechanisch, magnetisch, optisch oder digital D\/A-Wandler ;;\n;; (interpretationsfreies physikalisches Protokoll) ;;\n;; z.B. Mikrophonierung, Kinematographie, ;;\n;; Optik, Akustik, mechanische, analoge, digitale Technik ;;\n;; - Das Protokoll wird transkribiert ;;\n;; (Vertextung, diskrete Ereigniskette, ;;\n;; Plausibilitaet, Augenscheinvalidität) ;;\n;; Searle, Austin: Sprechakte, Paraphrase, moegl. ;;\n;; Intentionen, konstitutive, konventionelle Regeln ;;\n;; - Durch Lesartenproduktion und Lesartenfalsifikation ;; \n;; wird Sequenzstelle fuer Sequenzstelle informell ;;\n;; das Regelsystem erzeugt ;;\n;; Searle, Austin: Sprechakte, Paraphrase, moegl. ;;\n;; Intentionen, konstitutive, konventionelle Regeln ;;\n;; (bei jeder Sequenzstelle werden extensiv Lesarten erzeugt, ;;\n;; die Lesarten jeder nachfolgenden Sequenzstelle ;;\n;; falsifizieren die Lesarten der vorausgehenden Sequenzstelle,;;\n;; Oevermann: Sequenzanalyse ;;\n;; das Regelsystem bildet ein kontextfreies Chomskysystem, ;;\n;; die Ersetzungsregeln sind nach Auftrittswahrscheinlichkeit ;;\n;; gewichtet, die Interkodierreliabilitaet wird bestimmt, ;;\n;; z.B. Mayring R, Signifikanz z.B. Chi-Quadrat) ;;\n;; - Die Regeln werden in ein K-System uebersetzt ;;\n;; dabei werden die Auftrittshaeufigkeiten kumuliert ;;\n;; um den Rechenaufwand zur Laufzeit zu minimieren ;;\n;; Chomsky: formale Sprachen ;; \n;; - Auf einem Computer wird unter LISP eine Simulation gefahren ;;\n;; McCarthy, Papert, Solomon, Bobrow, Feuerzeig \n;; - Das Resultat der Simulation, eine terminale Zeichenkette, ;;\n;; wird in ein Protokoll uebersetzt ;;\n;; - Das künstlich erzeugte Protokoll wird auf seine Korrelation ;; \n;; mit empirischen Protokollen ueberprueft ;; \n;; - Bei Bedarf werden Korrekturen am K-System vorgenommen ;;\n;; und die Simulation wird wiederholt ;;\n;; ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; Welt 3 Popper ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n\n(setq w3\n'(\n (anfang 100 (s vkg)) ;; hier nur Fallstruktur Verkaufsgespraeche\n ((s vkg) 100 ende) \n )\n)\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; Kunde teilt Bedarf mit, Verkaeufer spiegelt Bedarf Kunde ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n\n(setq bbd\n'(\n (kbbd 100 vbbd)\n )\n)\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; wechselseitige Bedarfsargumentation nach Bedarfsmitteilung ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n\n(setq ba\n'(\n (kba 100 vba)\n )\n)\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; wechselseitige Einwandsabklaerung ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n\n(setq ae\n'(\n(kae 100 vae)\n )\n)\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; Verkaufsabschluss ;;\n;; des Abschlussteils nach den Abschlusseinwaenden ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n\n(setq aa\n'(\n (kaa 100 vaa)\n )\n)\n\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; Bedarfsteils ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n(setq b\n'(\n ((s bbd) 100 (s ba))\n )\n)\n\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; Abschlussteil ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n\n(setq a\n'(\n ((s ae)50(s ae))\n ((s ae)100(s aa))\n )\n)\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; Verkaufsteil ;;\n;; im Anschluss an Begruessung ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n(setq vt\n'(\n ((s b)50(s b))\n ((s b)100(s a))\n )\n)\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; Begruessung ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n(setq bg\n'(\n (kbg 100 vbg)\n )\n)\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; Verabschiedung ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n\n(setq av\n'(\n (kav 100 vav)\n )\n)\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; Verkaufsgespraech ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n\n(setq vkg\n'(\n ((s bg)100(s vt))\n ((s vt)50(s vt))\n ((s vt)100(s av))\n )\n)\n\n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; Algorithmus ueber generativer Struktur ;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n\n;; Generiert die Sequenz\n(defun gs (st r);; Uebergabe Sequenzstelle und Regelliste \n(cond\n\n ;; gibt nil zurück, wenn das Sequenzende ereicht ist\n ((equal st nil) nil)\n\n ;; gibt terminale Sequenzstelle mit Nachfolgern zurueck \n ((atom st)(cons st(gs(next st r(random 101))r)))\n \n ;; gibt expand. nichtterm. Sequenzstelle mit Nachfolger zurueck\n (t (cons(eval st)(gs(next st r(random 101))r))) \n)\n)\n\n;; Generiert nachfolgende Sequenzstelle\n(defun next (st r z);; Sequenzstelle, Regeln und Haeufigkeitsmass \n(cond\n\n ;; gibt nil zurueck, wenn das Sequenzende erreicht ist\n ((equal r nil)nil)\n\n ;; waehlt Nachfolger mit Auftrittsmass h \n (\n (\n and(<= z(car(cdr(car r))))\n (equal st(car(car r)))\n )\n (car(reverse(car r)))\n )\n\n ;; in jedem anderen Fall wird Regelliste weiter durchsucht\n (t(next st (cdr r)z)) \n)\n)\n\n;; waehlt erste Sequenzstelle aus Regelliste\n;;vordefinierte funktion first wird ueberschrieben, alternative umbenennen\n(defun first (list)\n(car(car list))\n)\n\n;; startet Simulation fuer eine Fallstruktur\n(defun s (list) ;; die Liste mit dem K-System wird uebergeben \n(gs(first list)list)\n) \n\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n;; ;;\n;; Ruft den Algorithmus auf \/ Welt 3 Popper \/alt. jew. Fallstrukt.;;\n;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;\n\n;; alternativ (s vkg) \/ von der Konsole aus (s w3) oder (s vkg)\n(s w3) ",
"metadata": [],
"outputs": [],
"execution_count": null
},
{
"id": "218b266d-bcde-4ee2-af25-e4bb0ec1779e",
"cell_type": "markdown",
"source": "CL-USER 20 > (s w3)\n(ANFANG ((KBG VBG) (((KBBD VBBD) (KBA VBA)) ((KAE VAE) (KAA VAA))) (((KBBD VBBD) (KBA VBA)) ((KAE VAE) (KAA VAA))) (((KBBD VBBD) (KBA VBA)) ((KBBD VBBD) (KBA VBA)) ((KAE VAE) (KAA VAA))) (((KBBD VBBD) (KBA VBA)) ((KBBD VBBD) (KBA VBA)) ((KBBD VBBD) (KBA VBA)) ((KAE VAE) (KAA VAA))) (KAV VAV)) ENDE)",
"metadata": []
},
{
"id": "5ad680cd-b1f6-4e41-8997-f16a205bf2d6",
"cell_type": "markdown",
"source": "Ein umfangreicheres und um die Klammern bereinigtes Beispiel:",
"metadata": []
},
{
"id": "03c4c087-97d1-4eeb-b001-36358f367abb",
"cell_type": "markdown",
"source": "KBG VBG \nKBBD VBBD KBA VBA KAE VAE KAA VAA \nKBBD VBBD KBA VBA KBBD VBBD KBA VBA KBBD VBBD KBA VBA KAE VAE \nKAA VAA \nKAV VAV \nKBG VBG \nKBBD VBBD KBA VBA KAE VAE KAE VAE KAE VAE KAE VAE KAA VAA \nKBBD VBBD KBA VBA KAE VAE KAE VAE KAA VAA \nKBBD VBBD KBA VBA KAE VAE KAA VAA \nKBBD VBBD KBA VBA KBBD VBBD KBA VBA KAE VAE KAA VAA \nKAV VAV\nKBG VBG\nKBBD KBA VBA KBBD VBBD KBA VBA KAE VAE KAE VAE KAA VAA\nKBBD VBBD KBA VBA KBBD KBA VBA KBBD VBBD KBA VBA KBBD VBBD KBA \nKAE VAE KAA VAA\nKBBD VBBD KBA VBA KAE VAE KAE VAE VAE KAA VAA\nKAV VAV",
"metadata": []
},
{
"id": "f29b8486-f00a-4d5f-aace-00b96fa9ce51",
"cell_type": "code",
"source": "",
"metadata": [],
"outputs": [],
"execution_count": null
},
{
"id": "0344631d-246f-4f4b-960e-6e422dc756cb",
"cell_type": "markdown",
"source": "Das linguistische Korpus in diesem Beispiel: Die Worte des Korpus sind durch Leerzeichen getrennt. Die Worte des Korpus sind Kategorien, die bei einer qualitativen Interpretation des Transkriptes eines Verkaufsgespräches den wechselnden Interakten von Käufer und Verkäufer zugeordnet 1993, 1994 wurden. Die Tondateien, die Transkripte, die Interpretationen und die erstellten Quellcodes (Induktor Scheme, Parser Pascal, Transduktor Lisp sind an dem Ort zum download frei verfügbar, an dem sich diese Jupyter Notebook Datei befindet).",
"metadata": []
},
{
"id": "40855371-260a-4813-a9e2-ccc2762641a7",
"cell_type": "markdown",
"source": "Das Programm liest den Korpus aus einer Datei ein und extrahiert die Terminalsymbole, indem es alle Substrings sucht, die mit \"K\" oder \"V\" beginnen und aus mindestens einem Großbuchstaben bestehen. Die vorangestellten \"K\" oder \"V\" werden aus den Terminalsymbolen entfernt, um die Nonterminalsymbole zu erhalten. Dann werden die Regelproduktionen erstellt, indem für jedes Nonterminalsymbol alle Terminalsymbole gesammelt werden, die diesem Symbol entsprechen. Schließlich gibt das Programm die Grammatikregeln und das Startsymbol aus.",
"metadata": []
},
{
"id": "a85968d0-7ab6-430b-8ebc-fb732ab972fa",
"cell_type": "code",
"source": "PROGRAM parser (INPUT,OUTPUT);\nUSES CRT;\n(***************************************************************************)\n(* Paul Koop Chart Parser VKG *)\n(* *)\n(***************************************************************************)\n\n (*-----------------------------------------------------------------------*)\n (* Vereinbarungsteil *)\n (*-----------------------------------------------------------------------*)\n\n CONST\n c0 = 0;\n c1 = 1;\n c2 = 2;\n c3 = 3;\n c4 = 4;\n c5 = 5;\n c10 = 10;\n c11 = 11;\n cmax = 80;\n cwort = 20;\n CText : STRING(.cmax.) = '';\n datei = 'LEXIKONVKG.ASC';\n blank = ' ';\n\n CopyRight\n = 'Demo-Parser Chart-Parser Version 1.0(c)1992 by Paul Koop';\n\n TYPE\n TKategorien = ( Leer, VKG, BG, VT, AV, B, A, BBD, BA, AE, AA,\n KBG, VBG, KBBD, VBBD, KBA, VBA, KAE, VAE,\n KAA, VAA, KAV, VAV);\n\n\n PTKategorienListe = ^TKategorienListe;\n TKategorienListe = RECORD\n Kategorie :TKategorien;\n weiter :PTKategorienListe;\n END;\n\n PTKante = ^TKante;\n PTKantenListe = ^TKantenListe;\n\n TKantenListe = RECORD\n kante:PTKante;\n next :PTKantenListe;\n END;\n\n TKante = RECORD\n Kategorie :TKategorien;\n vor,\n nach,\n zeigt :PTKante;\n gefunden :PTKantenListe;\n aktiv :BOOLEAN;\n nummer :INTEGER;\n nachkomme :BOOLEAN;\n CASE Wort:BOOLEAN OF\n TRUE :\n (inhalt:STRING(.cwort.););\n FALSE:\n (gesucht :PTKategorienListe;);\n END;\n\n\n TWurzel = RECORD\n spalte,\n zeigt :PTKante;\n END;\n\n TEintrag = RECORD\n A,I :PTKante;\n END;\n\n PTAgenda = ^TAgenda;\n TAgenda = RECORD\n A,I :PTKante;\n next,\n back : PTAgenda;\n END;\n\n PTLexElem = ^TLexElem;\n TLexElem = RECORD\n Kategorie: TKategorien;\n Terminal : STRING(.cwort.);\n naechstes: PTLexElem;\n END;\n\n TGrammatik = ARRAY (.c1..c10.)\n OF\n ARRAY (.c1..c4.)\n OF TKategorien;\n CONST\n Grammatik : TGrammatik =\n (\n (VKG, BG, VT, AV),\n (BG, KBG, VBG, Leer),\n (VT, B, A, Leer),\n (AV, KAV, VAV, Leer),\n (B, BBd, BA, Leer),\n (A, AE, AA, Leer),\n (BBd, KBBd, VBBd, Leer),\n (BA, KBA, VBA, Leer),\n (AE, KAE, VAE, Leer),\n (AA, KAA, VAA, Leer)\n );\n\n nummer :INTEGER = c0;\n\n (*-----------------------------------------------------------------------*)\n (* Variablen *)\n (*-----------------------------------------------------------------------*)\n\n\n VAR\n Wurzel,\n Pziel : TWurzel;\n Pneu : PTKante;\n\n Agenda,\n PAgenda,\n Paar : PTAgenda;\n\n LexWurzel,\n LexAktuell,\n LexEintrag : PTLexElem;\n Lexikon : Text;\n\n\n(***************************************************************************)\n(* FUNKTIONEN *)\n(***************************************************************************)\n\n\n (*-----------------------------------------------------------------------*)\n (* KantenZaehler *)\n (*-----------------------------------------------------------------------*)\n\n FUNCTION NimmNummer:INTEGER;\n BEGIN\n Nummer := Nummer + c1;\n NimmNummer := Nummer\n END;\n\n\n\n(***************************************************************************)\n(* PROZEDUREN *)\n(***************************************************************************)\n\n\n\n\n (*-----------------------------------------------------------------------*)\n (* LexikonLesen *)\n (*-----------------------------------------------------------------------*)\n\n PROCEDURE LiesDasLexikon (VAR f:Text;\n G:TGrammatik;\n l:PTLexElem);\n VAR\n zaehler :INTEGER;\n z11 : 1..c11;\n z4 : 1.. c4;\n ch : CHAR;\n st5 : STRING(.c5.);\n\n BEGIN\n ASSIGN(f,datei);\n LexWurzel := NIL;\n RESET(f);\n WHILE NOT EOF(f)\n DO\n BEGIN\n NEW(LexEintrag);\n IF LexWurzel = NIL\n THEN\n BEGIN\n LexWurzel := LexEintrag;\n LexAktuell:= LexWurzel;\n LexEintrag^.naechstes := NIL;\n END\n ELSE\n BEGIN\n LexAktuell^.naechstes := LexEintrag;\n LexEIntrag^.naechstes := NIL;\n LexAktuell := LexAktuell^.naechstes;\n END;\n LexEintrag^.Terminal := '';\n st5 := '';\n FOR Zaehler := c1 to c5\n DO\n BEGIN\n READ(f,ch);\n st5 := st5 + UPCASE(ch)\n END;\n REPEAT\n READ(f,ch);\n LexEintrag^.terminal := LexEintrag^.Terminal + UPCASE(ch);\n UNTIL EOLN(f);\n READLN(f);\n IF st5 = 'KBG**' THEN LexEintrag^.Kategorie := KBG ELSE\n IF st5 = 'VBG**' THEN LexEintrag^.Kategorie := VBG ELSE\n IF st5 = 'KBBD*' THEN LexEintrag^.Kategorie := KBBD ELSE\n IF st5 = 'VBBD*' THEN LexEintrag^.Kategorie := VBBD ELSE\n IF st5 = 'KBA**' THEN LexEintrag^.Kategorie := KBA ELSE\n IF st5 = 'VBA**' THEN LexEintrag^.Kategorie := VBA ELSE\n IF st5 = 'KAE**' THEN LexEintrag^.Kategorie := KAE ELSE\n IF st5 = 'VAE**' THEN LexEintrag^.Kategorie := VAE ELSE\n IF st5 = 'KAA**' THEN LexEintrag^.Kategorie := KAA ELSE\n IF st5 = 'VAA**' THEN LexEintrag^.Kategorie := VAA ELSE\n IF st5 = 'KAV**' THEN LexEintrag^.Kategorie := KAV ELSE\n IF st5 = 'VAV**' THEN LexEintrag^.Kategorie := VAV\n END;\n END;\n\n\n (*-----------------------------------------------------------------------*)\n (* SatzLesen *)\n (*-----------------------------------------------------------------------*)\n\n PROCEDURE LiesDenSatz;\n VAR\n satz: STRING(.cmax.);\n zaehler: INTEGER;\n BEGIN\n CLRSCR;\n WRITELN(CopyRight);\n WRITE('-----> ');\n Wurzel.spalte := NIL;\n Wurzel.zeigt := NIL;\n READLN(satz);\n FOR zaehler := c1 to LENGTH(satz)\n DO satz(.zaehler.) := UPCASE(satz(.zaehler.));\n Satz := Satz + blank;\n Writeln('-----> ',satz);\n WHILE satz <> ''\n DO\n BEGIN\n NEW(Pneu);\n Pneu^.nummer :=NimmNummer;\n Pneu^.wort := TRUE;\n NEW(Pneu^.gefunden);\n Pneu^.gefunden^.kante := Pneu;\n pneu^.gefunden^.next := NIL;\n Pneu^.gesucht := NIL;\n Pneu^.nachkomme :=FALSE;\n IF Wurzel.zeigt = NIL\n THEN\n BEGIN\n Wurzel.zeigt := pneu;\n Wurzel.spalte:= pneu;\n PZiel.spalte := pneu;\n PZiel.zeigt := Pneu;\n pneu^.vor := NIL;\n Pneu^.zeigt := NIL;\n Pneu^.nach := NIL;\n END\n ELSE\n BEGIN\n Wurzel.zeigt^.zeigt := Pneu;\n Pneu^.vor := Wurzel.zeigt;\n Pneu^.nach := NIL;\n Pneu^.zeigt := NIL;\n Wurzel.zeigt := Wurzel.zeigt^.zeigt;\n END;\n pneu^.aktiv := false;\n pneu^.inhalt := COPY(satz,c1,POS(blank,satz)-c1);\n LexAktuell := LexWurzel;\n WHILE LexAktuell <> NIL\n DO\n BEGIN\n IF LexAktuell^.Terminal = pneu^.inhalt\n Then\n BEGIN\n pneu^.Kategorie := LexAktuell^.Kategorie;\n END;\n LexAktuell := LexAktuell^.naechstes;\n END;\n DELETE(satz,c1,POS(blank,satz));\n END;\n END;\n\n\n\n\n (*-----------------------------------------------------------------------*)\n (* Regel3KanteInAgendaEintragen *)\n (*-----------------------------------------------------------------------*)\n\n PROCEDURE Regel3KanteInAgendaEintragen (Kante:PTKante);\n VAR\n Wurzel,\n PZiel :TWurzel;\n PROCEDURE NeuesAgendaPaarAnlegen;\n BEGIN\n NEW(paar);\n IF Agenda = NIL\n THEN\n BEGIN\n Agenda := Paar;\n Pagenda:= Paar;\n Paar^.next := NIL;\n Paar^.back := NIL;\n END\n ELSE\n BEGIN\n PAgenda^.next := Paar;\n Paar^.next := NIL;\n Paar^.back := Pagenda;\n Pagenda := Pagenda^.next;\n END;\n END;\n\n BEGIN\n IF Kante^.aktiv\n THEN\n BEGIN\n Wurzel.zeigt := Kante^.zeigt;\n WHILE wurzel.zeigt <> NIL\n DO\n BEGIN\n IF NOT(wurzel.zeigt^.aktiv)\n THEN\n BEGIN\n NeuesAgendaPaarAnlegen;\n paar^.A := kante;\n paar^.I := wurzel.zeigt;\n END;\n Wurzel.zeigt := Wurzel.zeigt^.nach\n END\n END\n ELSE\n BEGIN\n PZiel.zeigt := Kante;\n WHILE NOT(PZiel.zeigt^.Wort)\n DO PZiel.Zeigt := PZiel.Zeigt^.Vor;\n Wurzel.Zeigt := PZiel.Zeigt;\n Wurzel.Spalte := PZiel.Zeigt;\n PZiel.Spalte := Pziel.zeigt;\n WHILE wurzel.spalte <> NIL\n DO\n BEGIN\n WHILE wurzel.zeigt <> NIL\n DO\n BEGIN\n IF wurzel.zeigt^.aktiv\n AND (Wurzel.zeigt^.zeigt = PZiel.spalte)\n THEN\n BEGIN\n NeuesAGendaPaarAnlegen;\n paar^.I := kante;\n paar^.A := wurzel.zeigt;\n END;\n Wurzel.zeigt := Wurzel.zeigt^.nach\n END;\n wurzel.spalte := wurzel.spalte^.vor;\n wurzel.zeigt := wurzel.spalte;\n END\n END\n END;\n\n (*-----------------------------------------------------------------------*)\n (* AgendaAusgabe *)\n (*-----------------------------------------------------------------------*)\n\n PROCEDURE NimmAgendaEintrag(VAR PEintrag:PTAgenda);\n BEGIN\n IF PAgenda = Agenda\n THEN\n BEGIN\n PEintrag := Agenda;\n PAgenda := NIL;\n Agenda := NIL;\n END\n ELSE\n BEGIN\n PAGENDA := PAGENDA^.back;\n PEintrag := PAgenda^.next;\n PAGENDA^.next := NIL;\n END;\n END;\n\n\n\n\n (*-----------------------------------------------------------------------*)\n (* Regel2EineNeueKanteAnlegen *)\n (*-----------------------------------------------------------------------*)\n\n PROCEDURE Regel2EineNeueKanteAnlegen( Kante :PTKante;\n Kategorie :TKategorien;\n Gram :TGrammatik );\n VAR\n Wurzel :TWurzel;\n PHilfe,\n PGesuchteKategorie :PTKategorienListe;\n zaehler,\n zaehler2 :INTEGER;\n\n BEGIN\n Wurzel.zeigt := Kante;\n Wurzel.spalte:= Kante;\n WHILE Wurzel.zeigt^.nach <> NIL\n DO Wurzel.zeigt := Wurzel.zeigt^.nach;\n FOR zaehler := c1 To c11\n DO\n IF (kategorie = Gram(.zaehler,c1.))\n AND (kategorie <> Leer)\n THEN\n BEGIN\n Gram(.zaehler,c1.) := Leer;\n NEW(pneu);\n Wurzel.zeigt^.nach := pneu;\n pneu^.nummer := NimmNummer;\n pneu^.vor := Wurzel.zeigt;\n Pneu^.nach := NIL;\n Pneu^.zeigt := wurzel.spalte;\n Wurzel.zeigt := Wurzel.zeigt^.nach;\n pneu^.aktiv := true;\n pneu^.kategorie := kategorie;\n Pneu^.Wort := false;\n Pneu^.gesucht := NIL;\n Pneu^.gefunden := NIL;\n Pneu^.nachkomme := FALSE;\n FOR zaehler2 := c2 TO c4\n DO\n BEGIN\n IF Gram(.zaehler,zaehler2.) <> Leer\n THEN\n BEGIN\n NEW(PGesuchteKategorie);\n PGesuchteKategorie^.weiter:= NIL;\n PGesuchteKategorie^.Kategorie := Gram(.zaehler,zaehler2.);\n IF Pneu^.gesucht = NIL\n THEN\n BEGIN\n PHilfe := PGesuchteKategorie;\n Pneu^.gesucht := PHilfe;\n END\n ELSE\n BEGIN\n PHilfe^.weiter := PGesuchteKategorie;\n PHilfe := PHilfe^.weiter;\n END\n END\n END;\n Regel3KanteInAgendaEintragen (pneu);\n Regel2EineNeueKanteAnlegen(Wurzel.spalte,\n pneu^.gesucht^.kategorie,gram);\n END;\n END;\n\n\n\n (*-----------------------------------------------------------------------*)\n (* Regel1EineKanteErweiternen *)\n (*-----------------------------------------------------------------------*)\n\n PROCEDURE Regel1EineKanteErweitern(paar:PTAgenda);\n VAR\n PneuHilf,Pneugefneu,AHilf :PTKantenListe;\n BEGIN\n\n IF paar^.I^.kategorie = paar^.A^.gesucht^.kategorie\n THEN\n BEGIN\n NEW(pneu);\n pneu^.nummer := NimmNummer;\n pneu^.kategorie := Paar^.A^.kategorie;\n(*---------------------------------------------------*)\n Pneu^.gefunden := NIL;\n AHilf := Paar^.A^.gefunden;\n\n WHILE AHilf <> NIL\n DO\n BEGIN\n NEW(Pneugefneu);\n IF Pneu^.gefunden = NIL\n THEN\n BEGIN\n Pneu^.gefunden := Pneugefneu;\n PneuHilf := Pneu^.gefunden;\n PneuHilf^.next := NIL;\n END\n ELSE\n BEGIN\n PneuHilf^.next := Pneugefneu;\n PneuHilf := PneuHilf^.next;\n PneuHilf^.next := NIL;\n END;\n\n Pneugefneu^.kante := AHilf^.kante;\n AHilf := AHilf^.next;\n END;\n\n NEW(Pneugefneu);\n IF Pneu^.gefunden = NIL\n THEN\n BEGIN\n Pneu^.gefunden := Pneugefneu;\n Pneugefneu^.next := NIL;\n END\n ELSE\n BEGIN\n PneuHilf^.next := Pneugefneu;\n PneuHilf := PneuHilf^.next;\n PneuHilf^.next := NIL;\n END;\n Pneugefneu^.kante := Paar^.I;\n (*--------------------------------------------*)\n Pneu^.wort := FALSE;\n IF Paar^.A^.gesucht^.weiter = NIL\n THEN Pneu^.gesucht := NIL\n ELSE Pneu^.gesucht := Paar^.A^.gesucht^.weiter;\n Pneu^.nachkomme := TRUE;\n\n IF pneu^.gesucht = NIL\n THEN Pneu^.aktiv := false\n ELSE Pneu^.aktiv := true;\n\n WHILE Paar^.A^.nach <> NIL\n DO Paar^.A := Paar^.A^.nach;\n\n Paar^.A^.nach := pneu;\n pneu^.vor := Paar^.A;\n pneu^.zeigt := Paar^.I^.zeigt;\n pneu^.nach := NIL;\n\n Regel3KanteInAgendaEintragen (pneu);\n IF Pneu^.aktiv\n THEN Regel2EineNeueKanteAnlegen(Pneu^.zeigt,\n pneu^.gesucht^.kategorie,Grammatik);\n END;\n\n\n END;\n (*-----------------------------------------------------------------------*)\n (* SatzAnalyse *)\n (*-----------------------------------------------------------------------*)\n\n PROCEDURE SatzAnalyse;\n BEGIN\n WHILE Agenda <> NIL\n DO\n BEGIN\n NimmAgendaEintrag(Paar);\n Regel1EineKanteErweitern(Paar);\n END;\n\n END;\n (*-----------------------------------------------------------------------*)\n (* SatzAusgabe *)\n (*-----------------------------------------------------------------------*)\n\n PROCEDURE GibAlleSatzalternativenAus;\n CONST\n BlankAnz:INTEGER = c2;\n VAR\n PHilf :PTkantenListe;\n\n PROCEDURE SatzAusgabe(Kante:PTKante;BlankAnz:INTEGER);\n VAR\n\n Zaehler:INTEGER;\n PHilf :PTKantenListe;\n BEGIN\n FOR Zaehler := c1 TO BlankAnz DO WRITE(blank);\n\n IF Kante^.kategorie = VKG THEN WRITELN ('VKG ') ELSE\n IF Kante^.kategorie = BG THEN WRITELN ('BG ') ELSE\n IF Kante^.kategorie = VT THEN WRITELN ('VT ') ELSE\n IF Kante^.kategorie = AV THEN WRITE ('AV ') ELSE\n IF Kante^.kategorie = B THEN WRITELN ('B ') ELSE\n IF Kante^.kategorie = A THEN WRITE ('A ') ELSE\n IF Kante^.kategorie = BBD THEN WRITE ('BBD ') ELSE\n IF Kante^.kategorie = BA THEN WRITELN ('BA ') ELSE\n IF Kante^.kategorie = AE THEN WRITE ('AE ') ELSE\n IF Kante^.kategorie = AA THEN WRITE ('AA ') ELSE\n IF Kante^.kategorie = KBG THEN WRITELN ('KBG ') ELSE\n IF Kante^.kategorie = VBG THEN WRITELN ('VBG ') ELSE\n IF Kante^.kategorie = KBBD THEN WRITELN ('KBBD') ELSE\n IF Kante^.kategorie = VBBD THEN WRITE ('VBBD') ELSE\n IF Kante^.kategorie = KBA THEN WRITELN ('KBA ') ELSE\n IF Kante^.kategorie = VBA THEN WRITE ('VBA ') ELSE\n IF Kante^.kategorie = KAE THEN WRITE ('KAE ') ELSE\n IF Kante^.kategorie = VAE THEN WRITELN ('VAE ') ELSE\n IF Kante^.kategorie = KAA THEN WRITE ('KAA ') ELSE\n IF Kante^.kategorie = VAA THEN WRITE ('VAA ') ELSE\n IF Kante^.kategorie = KAV THEN WRITE ('KAV ') ELSE\n IF Kante^.kategorie = VAV THEN WRITE ('VAV ');\n\n IF Kante^.wort\n THEN\n WRITELN('----> ',Kante^.inhalt)\n ELSE\n BEGIN\n PHilf := Kante^.gefunden;\n WHILE PHilf <> NIL\n DO\n BEGIN\n Satzausgabe(PHilf^.kante,Blankanz+c1);\n PHilf := Philf^.next;\n END\n END\n END;\n\n BEGIN\n WHILE Wurzel.zeigt^.vor <> NIL\n DO Wurzel.zeigt := Wurzel.zeigt^.vor;\n\n WHILE Wurzel.zeigt <> NIL\n DO\n BEGIN\n IF (Wurzel.zeigt^.kategorie = VKG)\n AND ((NOT(Wurzel.zeigt^.aktiv))\n AND (wurzel.zeigt^.zeigt = NIL))\n THEN\n BEGIN\n WRITELN('VKG');\n PHilf := Wurzel.zeigt^.gefunden;\n WHILE PHilf <> NIL\n DO\n BEGIN\n Satzausgabe(PHilf^.kante,Blankanz+c1);\n PHilf := Philf^.next;\n END\n END;\n Wurzel.zeigt := Wurzel.zeigt^.nach;\n END;\n\n END;\n\n (*-----------------------------------------------------------------------*)\n (* FreigabeDesBenutztenSpeicherplatzes *)\n (*-----------------------------------------------------------------------*)\n\n PROCEDURE LoescheDieListe;\n PROCEDURE LoescheWort(kante :PTKante);\n PROCEDURE LoescheSpalte(kante:PTKante);\n VAR\n Pgefunden :PTKantenListe;\n Pgesucht :PTKategorienListe;\n PROCEDURE LoescheGesucht(p:PTKategorienListe);\n BEGIN\n IF p^.weiter <> NIL\n THEN LoescheGesucht(p^.weiter);\n IF P <> NIL THEN DISPOSE(P);\n END;\n PROCEDURE LoescheGefunden(Kante:PTKante;p:PTKantenListe);\n BEGIN\n IF p^.next <> NIL\n THEN LoescheGefunden(Kante,p^.next);\n DISPOSE(P);\n END;\n BEGIN(*LoescheSpalte*)\n IF Kante^.nach <> NIL\n THEN LoescheSpalte(kante^.nach);\n IF (NOT Kante^.nachkomme) AND ((Kante^.gesucht <> NIL)\n AND (NOT Kante^.wort))\n THEN LoescheGesucht(Kante^.gesucht);\n IF Kante^.gefunden <> NIL\n THEN LoescheGefunden(Kante,Kante^.gefunden);\n DISPOSE(Kante)\n END;(*LoescheSpalte*)\n BEGIN(*LoescheWort*)\n IF Kante^.zeigt <> NIL\n THEN LoescheWort(Kante^.zeigt);\n LoescheSpalte(Kante);\n END;(*LoescheWort*)\n BEGIN(*LoescheDieListe*)\n WHILE Wurzel.spalte^.vor <> NIL\n DO Wurzel.spalte := Wurzel.spalte^.vor;\n LoescheWort(Wurzel.spalte);\n END;(*LoescheDieListe*)\n(***************************************************************************)\n(* HAUPTPROGRAMM DES CHART PARSERS *)\n(***************************************************************************)\n\n BEGIN\n Agenda := NIL;\n PAgenda := Agenda;\n LiesDasLexikon(Lexikon,Grammatik,LexWurzel);\n LiesDenSatz;\n WHILE Wurzel.spalte^.vor <> NIL\n DO Wurzel.spalte := Wurzel.spalte^.vor;\n Regel2EineNeueKanteAnlegen(Wurzel.spalte,VKG,Grammatik);\n SatzAnalyse;\n GibAlleSatzalternativenAus;\n LoescheDieListe;\n(***************************************************************************)\n(* ENDE DES HAUPTPROGRAMMS DES CHART PARSERS *)\n(***************************************************************************)\n\n END.\n",
"metadata": [],
"outputs": [],
"execution_count": null
},
{
"id": "94e9c447-3746-41e8-af52-12526cb41068",
"cell_type": "markdown",
"source": "Demo-Parser Chart-Parser Version 1.0(c)1992 by Paul Koop\n- - - - - > KBG VBG KBBD KBA VBA KAE VAE KAA VAA KAV VAV\n- - - - - > KBG VBG KBBD KBA VBA KAE VAE KAA VAA KAV VAV\nVKG\n BG\n KBG\n- - - - > KBG\n VBG\n- - - - > VBG\n VT\n B\n BBD KBBD\n - - - - > KBBD\n VBBD - - - - > VBBD\n BA\n KBA\n- - - - >. KBA\n VBA - - - - > VBA\n A AE KAE - - - - > KAE\n VAE\n- - - - > VAE\n AA KAA - - - - > KAA\n VAA - - - - > VAA\n AV KAV - - - - > KAV\n VAV - - - - > VAV",
"metadata": []
},
{
"id": "614d8b37-eb96-4274-b931-9e842a996905",
"cell_type": "code",
"source": "import re\n\n# Lesen des Korpus aus einer Datei\n#with open(\"VKGKORPUS.TXT\", \"r\") as f:\n# korpus = f.read()\nkorpus = \"KBG VBG KBBD VBBD KBA VBA KAE VAE KAA VAA KBBD VBBD KBA VBA KBBD VBBD KBA VBA KBBD VBBD KBA VBA KAE VAE KAA VAA KAV VAV\"\n# Extrahieren der Terminalsymbole aus dem Korpus\nterminals = re.findall(r\"[KV][A-Z]+\", korpus)\n\n# Entfernen der vorangestellten K- oder V-Zeichen aus den Terminalsymbolen\nnon_terminals = list(set([t[1:] for t in terminals]))\n\n# Erzeugen der Regelproduktionen\nproductions = []\nfor nt in non_terminals:\n rhs = [t for t in terminals if t[1:] == nt]\n productions.append((nt, rhs))\n\n# Ausgabe der Grammatikregeln\nprint(\"Regeln:\")\nfor nt, rhs in productions:\n print(nt + \" -> \" + \" | \".join(rhs))\n\n# Ausgabe der Startsymbol\nprint(\"Startsymbol: VKG\")",
"metadata": {
"trusted": true
},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": "Regeln:\nAV -> KAV | VAV\nBG -> KBG | VBG\nAA -> KAA | VAA | KAA | VAA\nAE -> KAE | VAE | KAE | VAE\nBA -> KBA | VBA | KBA | VBA | KBA | VBA | KBA | VBA\nBBD -> KBBD | VBBD | KBBD | VBBD | KBBD | VBBD | KBBD | VBBD\nStartsymbol: VKG\n"
}
],
"execution_count": 5
},
{
"id": "ba6f9fcf-15a4-4bbb-9fbb-f9f63fcceb01",
"cell_type": "code",
"source": "",
"metadata": [],
"outputs": [],
"execution_count": null
},
{
"id": "bb35d468-1591-4795-a215-b9a72be478d1",
"cell_type": "markdown",
"source": "Die Nonterminalsymbole sind hier jeweils die ersten Buchstaben der Terminalsymbole ohne das vorangestellte \"K\" oder \"V\". Die Startregel ist 'VK', was bedeutet, dass der Verkäufer (V) die Konversation beginnt und der Käufer (K) antwortet. Beachten Sie, dass die Produktionsregeln in beide Richtungen funktionieren, da die Konversation zwischen Verkäufer und Käufer wechselseitig ist.",
"metadata": []
},
{
"id": "12dee38e-2feb-471c-b739-0100a81c036b",
"cell_type": "code",
"source": "import re\nfrom collections import defaultdict\n\ncorpus = \"KBG VBG KBBD VBBD KBA VBA KAE VAE KAA VAA KBBD VBBD KBA VBA KBBD VBBD KBA VBA KBBD VBBD KBA VBA KAE VAE KAA VAA KAV VAV\"\n\n# Erstellen eines Wörterbuchs, um die Anzahl der Vorkommen von Terminalsymbolden zu zählen.\nvocab = defaultdict(int)\nfor word in corpus.split():\n vocab[word] += 1\n\n# Entfernen von Präfixen K und V von Terminalsymbolen.\nterminals = list(set([re.sub(r'^[KV]', '', w) for w in vocab.keys()]))\n\n# Erstellen der Produktionen für die Grammatik.\nproductions = []\nfor w in vocab.keys():\n if re.match(r'^K', w):\n lhs = 'K'\n elif re.match(r'^V', w):\n lhs = 'V'\n else:\n lhs = re.sub(r'^[KV]', '', w)\n rhs = w\n productions.append((lhs, [rhs]))\n\n# Erstellen der Startregel der Grammatik.\nstart = 'VK'\n\n# Ausgabe der Grammatik.\nprint(f'Start: {start}')\nfor lhs, rhs in productions:\n print(f'{lhs} -> {\" \".join(rhs)}')\n",
"metadata": {
"trusted": true
},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": "Start: VK\nK -> KBG\nV -> VBG\nK -> KBBD\nV -> VBBD\nK -> KBA\nV -> VBA\nK -> KAE\nV -> VAE\nK -> KAA\nV -> VAA\nK -> KAV\nV -> VAV\n"
}
],
"execution_count": 6
},
{
"id": "1e48196c-dabe-45cd-ac23-6506b2358106",
"cell_type": "markdown",
"source": "Das Programm liest das gegebene Korpus ein und extrahiert die nicht-terminalen Symbole, indem es alle Symbole entfernt, die mit \"K\" oder \"V\" beginnen. Dann iteriert es über das Korpus und zählt die Produktionsregeln, indem es für jedes Vorkommen eines nicht-terminalen Symbols den nachfolgenden Terminalsymbol zählt. Schließlich berechnet es die Wahrscheinlichkeiten der Produktionsregeln, indem es die Häufigkeit jedes rechten Seiten eines nicht-terminalen Symbols durch die Gesamtanzahl der Vorkommen des linken Symbols dividiert.\n\nDas Programm gibt dann die induzierte Grammatik aus, wobei die Wahrscheinlichkeiten der Produktionsregeln angezeigt werden.",
"metadata": []
},
{
"id": "4f0db5a0-06b1-4041-b55a-60dbad21f0d0",
"cell_type": "code",
"source": "from collections import defaultdict\nimport random\n\n# define the grammar production rules\ngrammar = defaultdict(list)\n\n# read in the corpus\ncorpus = \"KBG VBG KBBD VBBD KBA VBA KAE VAE KAA VAA KBBD VBBD KBA VBA KBBD VBBD KBA VBA KBBD VBBD KBA VBA KAE VAE KAA VAA KAV VAV\".split()\n\n# get the non-terminal symbols\nnonterminals = set([symbol[1:] for symbol in corpus if symbol.startswith(\"K\") or symbol.startswith(\"V\")])\n\n# iterate over the corpus and count the production rules\nfor i in range(1, len(corpus)):\n curr_symbol = corpus[i]\n prev_symbol = corpus[i-1]\n if prev_symbol.startswith(\"K\") or prev_symbol.startswith(\"V\"):\n grammar[prev_symbol[1:]].append(curr_symbol)\n\n# calculate the probabilities for the production rules\nfor lhs in grammar.keys():\n productions = grammar[lhs]\n total_count = len(productions)\n probabilities = defaultdict(float)\n for rhs in productions:\n probabilities[rhs] += 1.0\n for rhs in probabilities.keys():\n probabilities[rhs] \/= total_count\n grammar[lhs] = probabilities\n\n# print the grammar\nprint(\"Grammar:\")\nfor lhs in grammar.keys():\n print(lhs + \" ->\")\n for rhs in grammar[lhs].keys():\n print(\" \" + rhs + \" : \" + str(grammar[lhs][rhs]))\n",
"metadata": {
"trusted": true
},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": "Grammar:\nBG ->\n VBG : 0.5\n KBBD : 0.5\nBBD ->\n VBBD : 0.5\n KBA : 0.5\nBA ->\n VBA : 0.5\n KAE : 0.25\n KBBD : 0.25\nAE ->\n VAE : 0.5\n KAA : 0.5\nAA ->\n VAA : 0.5\n KBBD : 0.25\n KAV : 0.25\nAV ->\n VAV : 1.0\n"
}
],
"execution_count": 7
},
{
"id": "c5fff79b-99b4-4fe1-9a5a-a8706a41a362",
"cell_type": "markdown",
"source": "Hier ist ein Beispielprogramm in Python, das die gegebene probabilistische Grammatik nutzt, um das gegebene Korpus zu parsen:",
"metadata": []
},
{
"id": "5fdfe647-666f-4657-b1d1-f1cc22ca3051",
"cell_type": "code",
"source": "import random\n\n# Die gegebene probabilistische Grammatik\ngrammar = {\n 'BG': {'VBG': 0.5, 'KBBD': 0.5},\n 'BBD': {'VBBD': 0.5, 'KBA': 0.5},\n 'BA': {'VBA': 0.5, 'KAE': 0.25, 'KBBD': 0.25},\n 'AE': {'VAE': 0.5, 'KAA': 0.5},\n 'AA': {'VAA': 0.5, 'KAV': 0.25, 'KBBD': 0.25},\n 'AV': {'VAV': 1.0},\n}\n\n# Das zu parsende Korpus\ncorpus = ['KBG', 'VBG', 'KBBG', 'VBBD', 'KAE', 'VBA', 'KAE', 'VAA', 'KBBG', 'VBBD', 'KBA', 'VBA', 'KBBG', 'VBBD', 'KBA', 'VBA', 'KAE', 'VAE', 'KAA', 'VAA', 'KAV', 'VAV']\n\n# Initialisiere die Tabelle mit leeren Einträgen\nchart = [[{} for i in range(len(corpus) + 1)] for j in range(len(corpus) + 1)]\n\n# Fülle die Tabelle mit den Terminalsymbolen und den Wahrscheinlichkeiten\nfor i in range(len(corpus)):\n for lhs, rhs_probs in grammar.items():\n for rhs, prob in rhs_probs.items():\n if rhs == corpus[i]:\n chart[i][i+1][lhs] = {'prob': prob, 'prev': None}\n\n# Fülle die Tabelle mit den Nichtterminalsymbolen und den Wahrscheinlichkeiten\nfor span in range(2, len(corpus) + 1):\n for start in range(len(corpus) - span + 1):\n end = start + span\n for split in range(start + 1, end):\n for lhs, rhs_probs in grammar.items():\n for rhs, prob in rhs_probs.items():\n if len(rhs) == 2:\n left, right = rhs\n if left in chart[start][split] and right in chart[split][end]:\n prod_prob = prob * chart[start][split][left]['prob'] * chart[split][end][right]['prob']\n if lhs not in chart[start][end] or prod_prob > chart[start][end][lhs]['prob']:\n chart[start][end][lhs] = {'prob': prod_prob, 'prev': (split, left, right)}\n\n# Ausgabe des Parsing-Baums\ndef print_tree(start, end, symbol):\n if symbol in chart[start][end]:\n if chart[start][end][symbol]['prev'] is None:\n return [symbol]\n split, left, right = chart[start][end][symbol]['prev']\n return [symbol, print_tree(start, split, left), print_tree(split, end, right)]\n else:\n return []\n\n# Parse den Satz und gib den resultierenden Parse-Baum aus\nparse_tree = print_tree(0, len(corpus), 'BG')\nprint(parse_tree)\n",
"metadata": [],
"outputs": [],
"execution_count": null
},
{
"id": "0b57b39d-0314-4a2a-9dd1-2db27e74406d",
"cell_type": "markdown",
"source": "Eine probabilistische Grammatik kann als Bayessches Netz interpretiert werden. In einem Bayesschen Netz werden die Abhängigkeiten zwischen den Variablen durch gerichtete Kanten modelliert, während die Wahrscheinlichkeiten der einzelnen Variablen und Kanten durch Wahrscheinlichkeitsverteilungen dargestellt werden.\n\nIn einer probabilistischen Grammatik werden die Produktionsregeln als Variablen und die Terme und Nichtterminale als Zustände modelliert. Jede Produktion hat eine bestimmte Wahrscheinlichkeit, die durch eine Wahrscheinlichkeitsverteilung dargestellt werden kann. Die Wahrscheinlichkeit, einen bestimmten Satz zu generieren, kann dann durch die Produktionsregeln und deren Wahrscheinlichkeiten berechnet werden.\n\nDie Zustände in der probabilistischen Grammatik können als Knoten im Bayesschen Netz interpretiert werden, während die Produktionsregeln als gerichtete Kanten dargestellt werden können. Die Wahrscheinlichkeiten der Produktionsregeln können dann als Kantenbedingungen modelliert werden. Durch die Berechnung der posterior Wahrscheinlichkeit kann dann eine probabilistische Vorhersage getroffen werden, welcher Satz am wahrscheinlichsten ist, gegeben die Beobachtungen.\n\n\n\n",
"metadata": []
},
{
"id": "931a4b0f-f27d-4d1b-bc6f-bd575c9c7bf1",
"cell_type": "markdown",
"source": "Das Korpus kann als Protokoll der wechselseitigen Interaktion zweier Softwareagenten eines Multiagentensystems verstanden werden. Die Agenten dieses Multiagentensystems haben Zugriff auf das letzte generierte Terminalzeichen und die probabilistische Grammatik, die als Bayerisches Netz interpretiert werden kann. Dieses Wissen nutzen sie zur Generierung des nächsten Terminalzeichens. Ein Agent K generiert die Käufer-Terminalzeichen. Ein Agent V generiert die Verkäufer-Terminalzeichen.",
"metadata": []
},
{
"id": "b400dd09-7464-4b06-8d15-f958b21c4a4c",
"cell_type": "markdown",
"source": "Hier ist ein Beispielprogramm, das den Agenten K startet und das Terminalzeichen \"KBG\" setzt. Der Agent V generiert dann das nächste Terminalzeichen basierend auf der übergebenen Grammatik und dem letzten Terminalzeichen \"KBG\". Dies wird dann in einer Schleife fortgesetzt, bis eine maximale Anzahl von Terminalzeichen erreicht ist.",
"metadata": []
},
{
"id": "507942c5-8a4b-4635-9f6d-cdefd69d15de",
"cell_type": "code",
"source": "import random\n\n# Grammatik als probabilistisches Bayessches Netz definieren\ngrammar = {\n \"BG\": {\"VBG\": 0.5, \"KBBD\": 0.5},\n \"BBD\": {\"VBBD\": 0.5, \"KBA\": 0.5},\n \"BA\": {\"VBA\": 0.5, \"KAE\": 0.25, \"KBBD\": 0.25},\n \"AE\": {\"VAE\": 0.5, \"KAA\": 0.5},\n \"AA\": {\"VAA\": 0.5, \"KBBD\": 0.25, \"KAV\": 0.25},\n \"AV\": {\"VAV\": 1.0}\n}\n\n# Funktion zur Generierung des nächsten Terminalzeichens\ndef generate_next_terminal(grammar, last_terminal):\n # Wähle die Produktion basierend auf dem letzten Terminalzeichen und der Grammatik aus\n productions = grammar[last_terminal]\n production = random.choices(list(productions.keys()), list(productions.values()))[0]\n return production\n\n# Maximale Anzahl von Terminalzeichen\nmax_length = 10\n\n# Startzeichen für Agent K\nlast_terminal = \"KBG\"\n\n# Schleife für Interaktion zwischen Agent K und Agent V\nfor i in range(max_length):\n # Agent K generiert das nächste Terminalzeichen basierend auf der Grammatik und dem letzten gesetzten Zeichen\n next_terminal = generate_next_terminal(grammar, last_terminal)\n print(\"Agent K: \", last_terminal)\n\n # Agent V generiert das nächste Terminalzeichen basierend auf der Grammatik und dem letzten gesetzten Zeichen\n last_terminal = generate_next_terminal(grammar, next_terminal)\n print(\"Agent V: \", next_terminal)\n\n# Letztes Terminalzeichen ausgeben, das von Agent K generiert wurde\nprint(\"Letztes Terminalzeichen: \", last_terminal)\n",
"metadata": [],
"outputs": [],
"execution_count": null
},
{
"id": "df5f17d5-dbfb-4640-beec-132552d3524c",
"cell_type": "markdown",
"source": "Agent K: KBG\nAgent V: KBBD\nAgent K: KBBD\nAgent V: KAE\nAgent K: KAE\nAgent V: VAE\nAgent K: VAE\nAgent V: KAA\nAgent K: KAA\nAgent V: VAA\nAgent K: VAA\nLetztes Terminalzeichen: VAA\n",
"metadata": []
},
{
"id": "5977a198-3788-48d9-874f-d426e406c4e2",
"cell_type": "markdown",
"source": "Es ist möglich, das Beispielprogramm entsprechend zu erweitern, um die genannten Eigenschaften der Agenten und die Rollenverteilung zu berücksichtigen. Ein Entscheidungsbaum legt erst die Rollen der Agenten fest. Dann Handeln die Agenten nach der Handlungsgrammatik. Hier ist eine einfaches erweiterte Version des Programms:",
"metadata": []
},
{
"id": "845922a1-22eb-44d1-a1ac-dd3a3d61684d",
"cell_type": "code",
"source": "import random\n\n# Die gegebene probabilistische Grammatik\ngrammar = {\n 'BG': {'VBG': 0.5, 'KBBD': 0.5},\n 'BBD': {'VBBD': 0.5, 'KBA': 0.5},\n 'BA': {'VBA': 0.5, 'KAE': 0.25, 'KBBD': 0.25},\n 'AE': {'VAE': 0.5, 'KAA': 0.5},\n 'AA': {'VAA': 0.5, 'KAV': 0.25, 'KBBD': 0.25},\n 'AV': {'VAV': 1.0},\n}\n\n# Zufällige Belegung von Ware und Zahlungsmittel bei den Agenten\nagent_k_ware = random.uniform(0, 100)\nagent_k_zahlungsmittel = 100 - agent_k_ware\nagent_v_ware = random.uniform(0, 100)\nagent_v_zahlungsmittel = 100 - agent_v_ware\n\n# Entscheidung über die Rollenverteilung basierend auf Ware und Zahlungsmittel\nif agent_k_ware > agent_v_ware:\n agent_k_role = 'Käufer'\n agent_v_role = 'Verkäufer'\nelse:\n agent_k_role = 'Verkäufer'\n agent_v_role = 'Käufer'\n\n# Ausgabe der Rollenverteilung und der Belegung von Ware und Zahlungsmittel\nprint(\"Agent K: Rolle =\", agent_k_role, \"| Ware =\", agent_k_ware, \"| Zahlungsmittel =\", agent_k_zahlungsmittel)\nprint(\"Agent V: Rolle =\", agent_v_role, \"| Ware =\", agent_v_ware, \"| Zahlungsmittel =\", agent_v_zahlungsmittel)\nprint()\n\n# Agent K startet den Dialog mit dem Terminalzeichen 'KBG'\nlast_terminal = 'KBG'\n\n# Maximale Anzahl von Terminalzeichen im Dialog\nmax_terminals = 10\n\n# Dialog-Schleife\nfor i in range(max_terminals):\n # Agent K generiert das nächste Terminalzeichen basierend auf der Grammatik und dem letzten Terminalzeichen\n next_terminal = random.choices(list(grammar[last_terminal].keys()), weights=list(grammar[last_terminal].values()))[0]\n \n # Agent V generiert das nächste Terminalzeichen basierend auf der Grammatik und dem letzten Terminalzeichen\n next_terminal = random.choices(list(grammar[last_terminal].keys()), weights=list(grammar[last_terminal].values()))[0]\n\n # Aktualisierung des letzten Terminalzeichens\n last_terminal = next_terminal\n \n # Ausgabe des aktuellen Terminalzeichens\n print(\"Agent K:\", next_terminal)\n\n # Break, wenn das Terminalzeichen 'VAV' erreicht ist\n if next_terminal == 'VAV':\n break\n",
"metadata": [],
"outputs": [],
"execution_count": null
},
{
"id": "3a902c66-db46-4d56-8163-6939e2ef580c",
"cell_type": "markdown",
"source": "Agent K: Rolle = Verkäufer | Ware = 60.935380690830155 | Zahlungsmittel = 39.064619309169845\nAgent V: Rolle = Käufer | Ware = 46.51117771417693 | Zahlungsmittel = 53.48882228582307\n\nAgent K: KBBD\nAgent V: VBBD\nAgent K: KBA\nAgent V: VAE\nAgent K: KBBD\nAgent V: VBBD\nAgent K: KBA\nAgent V: VBBD\nAgent K: KBA\nAgent V: VAE\nAgent K: KAA\nAgent V: VAA\nAgent K: KBBD\nAgent V: VBBD\nAgent K: KBA\nAgent V: VAE\nAgent K: KAA\nAgent V: VAA\nAgent K: KAA\nAgent V: VAA\nAgent K: KAA\nAgent V: VAA\nAgent K: KAV\nAgent V: VAV\n",
"metadata": []
}
]
}