既方便人工编辑又方便电脑自动生成的词典格式来了。
哪个国家:=(哪里);+(是~人)，+(来自~)，-(~机构)，-(~单位)
+()是指正例，-()是指反例。
这种格式在兼顾了传统的词典编辑方式的同时，也便于人工智能临时解读词典。
这就是我的人工智能的智慧源泉，它就是这么朴实无华，摈弃神秘化，拒绝故弄玄虚，完全符合符号主义的“用自然语言解释自然语言”的原则。

下面的是我昨天发布的帖子，大家可以看出技术脉络。
顺便说一句，居然有吧友投诉删除技术帖，这种行为真是“丧心病狂”，拒绝进步，与知识为敌。

阅读理解功能迎来重大突破。我前几天实现的阅读理解4功能泛化性能不错，但是准确率也随之下降。例如“毛泽东享年多少岁”的问题，“毛泽东逝世，享年83岁”，“毛泽东有三个儿子，一个享年84岁”都是符合要求的。现在只要把它与泛化式多分类功能相结合，就能解决这个问题了。针对这一类细分的阅读理解问题，只要以名人的名字作为关键词，搜索出很多句子，再进行替换，生成如下的句子:“享年多少岁正例: __word 逝世，享年83岁。”，“享年多少岁反例:__word 有三个儿子，一个享年84岁。”等等，把这些句子拿去训练，训练出来的算法就可以用来把反例排除了。

这相当于爱因斯坦的大统一理论，人工智能所用的词典终于跟人类用的词典统一起来了。

有点懂了，通过词典可以知道某个单词或句子的类型，就可以针对各种类型做解答，是这样吗？

又一种新的词典格式——逆引申。以判断文章发生时间是不是“道光年间”为例。
WT@_共性(道光，乾隆) 年间: =(~0;时期) YE@NianJian_T@00001 逆引申() +(~0 亲政了) +(~0 当政时期) -(~0 出生了)
YE@NianJian_T@00001 代表的是这个逆引申操作程序，它是根据后面的正例与反例训练出来的。词典里如果有这个“YE@”开头的程序名在，就不用去临时解析正例反例，直接调用这个程序来识别即可。
上面这个条目是通用的，既适用于道光年间，也适用于乾隆年间，咸丰年间。
如果想达到更智能的效果，就要增加正例:
道光年间: =(~0;时期) 逆引申() +(~0 亲政了) +(~0 当政时期) -(~0 出生了) +(1840年) +(鸦片战争时期)
代价就是这个条目不通用了，只能用于“道光”了。
那怎么样做得更通用呢？
只要如下书写:
WT@_共性(道光，乾隆) 年间: =(~0;时期) YE@NianJian_T@00002 逆引申() +(~0 亲政了) +(~0 当政时期) -(~0 出生了) +((~0)_年份.txt 年) +((~0)_关联词.txt 时期)
年份词如果能够在“(道光)_年份.txt”里面找到，就代表是在道光年间。
年份词如果能够在“(乾隆)_年份.txt”里面找到，就代表是在乾隆年间。
这样这个词条就又变成通用了。

可以当作一个助手用吗？
输入知识， 当我用的时候，忘记了，就提问。

你可以把什么东西放在哪里都跟他说，以后找不到的时候就可以问他，一年内说的话他都能记得。
只要跟他说的非疑问句他都会记录下来，以后回答问题的时候，优先从记录里阅读理解来回答。