随着人工智能技术的研究和应用的深入,人工智能技术已经逐渐成为人们生活中不可或缺的一部分。作为人工智能技术的一部分,自然语言理解技术是计算机理解人类语言的重要技术,而要理解人类的语言最为困难的地方就是理解人类语言的语义。理解动词对于理解句子的句法和语法都起着中心性的作用。要理解句子的语义有很多种方法。分布假设表明可以用一个词语的上下文信息来表示这个词语的语义,例如这个词语周围的词。近年来应用非常多的Word2Vec技术就是应用了分布假设的性质,但是Word2Vec只是应用了词的线性上下文关系,这些仅是浅层次的语义,所以需要另寻解法来获得更加深层次的语义。显而易见,一个动词在句子中有其独特的角色,因为它包含了与其主语和宾语的依存关系,所以可以用这个动词的主语和宾语来表达这个动词的语义。类似的系统包括ReVerb,采用了“词袋模型”的方法,但这种模型有如下缺点:1)无法考虑同义词的关系;2)“词袋模型”维度很高,因此计算效率低下;3)生成的模型是人类不可读的。为了弥补这些缺陷,一个很自然的方法就是使用这些主语和宾语的抽象概念或类型来表示动词,而不是直接使用这些词。类似的系统包括FrameNet,它通过人类标注动词的主语和宾语类型来表达这个动词的语义。但是,这个系统也有一些明显的缺陷:1)人工标注工作量巨大,无法进行拓展;2)动词参数的抽象程度太高,例如动词“eat”的宾语概念只有“Ingestibles”,所以无法表达动词的多种语义。针对现有技术中的缺陷,本研究工作的目的是提供一种基于参数概念表达动词语义的方法及系统。与现有技术研究相比,本工作期望具有如下的效果:1)提出了一种基于参数概念表达动词语义的方法,创造性地利用外部的知识库来表示动词的语义,并且提供给用户选择动词语义粒度的参数,使得得到的动词语义概念的大小适中;2)基于参数概念表达动词语义的方法得到的动词语义概念即可被人类读懂的,也可以被机器直接进行计算。为此,本文定义了“参数概念化”的问题:给定某一个动词的同一种类的参数实例集合(主语或宾语),而我们想要从外部的概念-实体知识库中抽取k个概念,使得这k个概念在“isA”的关系下能尽可能多的覆盖上面的参数集合。与此同时,我们希望抽取出来的这k个概念之间的“语义重合度”越小越好。从“参数概念化”这个问题出发,本文定义了“概念图”模型,并将问题转化成了“在带权图中找到权值的和的最大的k团”这一形式化的算法问题。并且证明了该问题是NP-Complete问题,最后提出了高效的搜索算法进行求解。经过人工评审,本文算法表现出优秀的效果,这也证实了我们提出的算法推断出来的参数概念的有效性。同时在对比试验中,通过评估三个客观的自然语言处理任务——动词参数识别、动词聚类和词语相似度计算,可以从对比结果中看出,本文提出的算法得到的参数概念结果相比于对比方法取得了全面的提升。