5.7　小　　结

本章进一步研究了PENMAN系统中的系统网络表示法，发现它在表示能力和可实现性方面均存在缺陷。具体地说，它不能有效地表示语言活动的交际性以及系统功能语言学中三元功能组织原则的并行性。此外，它在计算机上实现时也存在一些技术上的问题，例如运行速度缓慢，难以进行后续的维护和更新，等等。

从人工智能的角度来看，传统的自然语言处理研究（包含基于系统功能语言学的自然语言生成研究）所采用的基本范式是物理符号系统，即一个物理系统表现智能行为的充分必要条件是它有一个物理符号系统。在这种研究范式的指导下，人们希望对研究问题（包括语言问题）进行抽象处理，并用一系列的物理符号系统及其规则来表示一个物理系统的存在和运行。这种方法的根本缺陷是在进行形式化的过程中需要舍弃大量的信息，从而导致形式化之后的系统难以表达出物理系统的完整面貌（蒋宗礼，2001：4）。而这正是PENMAN/NIGEL语法中系统网络表示法在表示能力方面存在缺陷的根本原因。

复杂性科学和相关人工神经网络技术的兴起，为系统功能语言学的知识表示方法研究的转向带来了新的契机：人们有可能采用联结主义的新范式来建立系统功能语言学的计算模型。基于联结主义的人工神经网络具有一系列特点，与系统功能语言学的语言学观点和理论框架丝丝入扣。因此，基于联结主义的神经网络技术能够充分表示系统功能语言学理论框架的完整性和灵活性，是实现系统功能语言学理论的计算表示的新途径。

在此基础上，本章进一步提出了一个复杂系统网络型式。从人工智能的角度来看，它采用的是过程性知识表示观点。因此，它不同于一般的陈述性知识表示方法，并在一定程度上发展了过程性知识表示方法：与Martin、Halliday和Matthiessen等人提出的表达式相比，它能够同时将反馈和渐变两个非规范特征纳入到同一个理论框架之中。此外，它与传统的五个基本式相比具有一系列的优点，因此能够进一步泛化，从而更好地解释系统功能语言学的基本理论框架。