Der Ausdruck darf seinen Status als Problem- oder Lösungsphrase nicht lexikalisch aufgeben. Wir definieren zunächst eine Reihe von Features, ohne den Kontext des Ausdrucks zu berücksichtigen. Dies wird uns über die Unklarheitsfähigkeit der Semantik der Problem-/Lösungsbeschreibung allein informieren. Insbesondere schneiden wir den Rest des Satzes außer dem Satz aus und verwenden ihn niemals für die Klassifizierung. Dies geschieht aus ähnlichen Gründen, um bestimmte “Give-away”-Sätze innerhalb der Phrasen selbst auszuschließen (wie oben erläutert). Da die Phrasen mit Vorlagen gefunden wurden, wissen wir, dass der Maschinenlernende einfach die Semantik der Vorlage aufgreifen würde, die immer ein Synonym von “Problem” oder “Lösung” enthält, wodurch die versteckteren Merkmale, die hoffentlich der Semantik der Phrasen selbst innewohnen, übertönt werden. Wenn wir dem Maschinenlernenden erlauben würden, diese stärkeren Funktionen zu verwenden, würde er in seiner Fähigkeit leiden, sich auf die eigentliche Aufgabe zu verallgemeinern. Negation Negation ist eine wichtige Eigenschaft, die oft die Polarität einer Phrase stark beeinflussen kann. Zum Beispiel kann ein Ausdruck, der ein Schlüsselwort enthält, das für die Lösungshaube relevant ist, ein guter Indikator sein, aber mit dem Vorhandensein von Negation kann die Polarität in Problem-Hood umgedreht werden, z. B. “das kann nicht als Lösung funktionieren”.

Daher wird das Vorhandensein von Negation bestimmt. Dies ist nicht verwunderlich, da eine sehr häufige Formulierung zur Beschreibung einer Lösung darin besteht, das infinitive “TO” zu verwenden, da es oft eine Aufgabe beschreibt, z.B. “Eine Lösung ist, die Singletons zu finden und zu entfernen”. Da daher die Leiter-POS-Tags der Nichtlösungen dieser hohen Verteilung der in der Lösung vorhandenen Infinitivverben entsprechen mussten, ist die Subkategorisierungsfunktion nicht besonders diskriminierend. Polarität, Negation, Beispiel und syntaktische Merkmale waren etwas diskriminierender und lieferten vergleichbare Ergebnisse. Ähnlich wie beim Problemexperiment erwiesen sich die Einbettungen von Word2Vec und Doc2Vec jedoch als die besten Features, wobei polariziste Verwendung von Word2Vec das beste individuelle Ergebnis lieferte (73,4% mit SVM). Die Funktion des Hintergrundwissens im Leseprozess wird in der Schematheorie formalisiert. Nach der Schematheorie bringt der Leser zuvor erworbenes Hintergrundwissen, das in miteinander verknüpfte Muster oder Schemata organisiert ist, in den Leseprozess ein. Dann schafft der Leser Bedeutung, indem er den Text mit diesem Hintergrundwissen in Beziehung setzt, einschließlich der Kenntnis von Bräuchen und Überzeugungen aus seinen eigenen Erfahrungen. Das Ziel der Arbeit von Scott (2001) war es, Wörter zu bestimmen, die semantisch dem Problem und der Lösung ähneln, und zu bestimmen, wie diese Wörter verwendet werden, um Problemlösungsmuster zu signalisieren. Ihre korpusbasierte Analyse verwendete jedoch Artikel der Zeitung Guardian. Da sich der Bereich des Zeitungstextes stark von dem des wissenschaftlichen Textes unterscheidet, haben wir uns entschieden, die Schlüsselwörter, die mit Problemlösungsmustern verbunden sind, nicht für unsere Arbeit zu berücksichtigen.

In diesem Puzzle Lösung von 8 Puzzle-Problem wird diskutiert. Bei einem 3-3-Brett mit 8 Kacheln (jede Fliese hat eine Zahl von 1 bis 8) und einem leeren Raum. Das Ziel besteht darin, die Zahlen auf Kacheln zu platzieren, um die endgültige Konfiguration mithilfe des leeren Raums zu entsprechen. Wir können vier benachbarte (links, rechts, oben und unten) Kacheln in den leeren Raum schieben.