6.1 总 结
本书对系统功能语言学在自然语言处理中的知识表示方法进行了初步的研究。主要内容如下：
（1）考察了系统功能语言学在自然语言处理中的应用情况，从中归纳和总结出了几种重要的知识表示方法。
系统功能语言学自诞生之日起，就与自然语言处理结下了不解之缘。从历时的角度来看，它曾经先后应用于机器翻译（含机器词典）、自然语言生成、语料库、智能计算等分支领域。
通过研究，我们发现系统功能语言学在应用的过程中采用了多种知识表示方法：①数理逻辑的方法，主要是概率逻辑和模糊逻辑；②系统网络；③特征、特征结构和类型特征结构。其中，应用最广的是系统网络。
进一步研究发现系统网络表示法并非一成不变，而是有一个不断发展的过程。它脱胎于Saussure的符号系统理论，但是更侧重聚合关系的研究，从而逐步建立起了五个以选项的析取和合取为逻辑基石的基本网络型式。
（2）以“组合沟”为突破口，考察了PENMAN/NIGEL中系统网络表示法的主要缺陷。
系统功能语言学的一个重要特点是重视聚合关系的研究，而在组合关系方面的描写相对不足。这个特点导致了它在应用于自然语言生成的过程中出现了一个“组合沟”现象，即语义（潜势）在句法实现的过程中出现了困难。
本书重点考察了PENMAN/NIGEL中巨型系统网络的主要缺陷。由于该系统网络的拓扑结构是一个循环有向图，因此难以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并行处理的基本原则。此外，该系统网络在实现的过程中采用的是深层生成技术，进一步延缓了句法实现的过程。
（3）针对传统系统网络表示法的缺陷，本书提出了两条改进的途径：复杂性理论途径和人工神经网络技术途径。
随着自然语言处理研究范式的转变，知识表示方法的研究也开始突破经典理论的束缚，愈发重视非规范知识的表示方法与技术。在此背景下，本书认为系统网络表示法的改进需要相应的理论指导和技术支持。
目前看来，复杂性理论是一种非常有效的理论工具。它是系统论的最新发展，而系统论是系统功能语言学的一个重要哲学理论基础。因此，它对于系统功能语言学及其知识表示方法的研究具有比较直接的指导意义。
而与复杂性理论相契合的是人工神经网络技术。在技术上，它具有许多令人感兴趣的优点，例如并行处理的原则、良好的学习能力、“去噪音、容残缺”的普化能力等。因此，更适合处理自然语言中的模糊性、不确定性等非规范特征。
（4）在此基础上，本书初步提出了一个“复杂性系统网络模型”。在该模型中，提出了输入（即入列条件）、选项和输出三个系统构建要素，并强调选项之间的复杂关系以及输出对于输入的反馈作用。
该模型具有如下两个方面的创新性：①与传统的五个基本式相比，它明确地将选项与输出区分开来，从而有利于表示输入和输出所在的不同层次。通过设置三个基本的选项，有利于表示三元功能并行组织原则以及系统中选项之间的复杂关系。②基于前人反馈系统和渐变系统的研究，该模型将“反馈”和“渐变”两个特征融入了同一个理论框架之中，从而更好地表示系统功能语言学的基本理论框架。