语义记忆

在许多语义记忆理论中，各種網路都扮演著不可或缺的角色。一般而言，網路是由一組節點所組成，節點之間以鏈路聯結。节点可以表示概念、詞彙、知覺特征，或者根本不代表什麼。這些鏈路可能是有權重的，使得某些鏈路比其他鏈路更强，或者等效地說，鏈路有著不同的长度，使得穿過某些鏈路比其他鏈路更耗時。这些網路的特征都已被用于语义记忆模型中，其示例如下。

第一个语义记忆網路模型的示例是「可教學的语言理解者」（TLC）。[7]在此模型中，每个节点都是詞彙，代表著一个概念（如「鸟」）。每个节点都儲存著一组属性（例如「可以飞翔」或「具有翅膀」）以及指向其他节点（例如「鸡」）的指標（即鏈路）。节点會直接链結到其子類別或超類別的节点（換言之，「鸟」将同时连接到「鸡」和「动物」）。因此，TLC是一种分层知识表徵，其中高级节点代表大型类别，該節點會（通过子類別的节点，直接或间接地）连接到许多該类别的实例，而代表特定实例的节点处于较低级别，仅與其超類別连接。此外，属性會被储存在它们所适用的最高类别级别。例如，「黄色」将与「金丝雀」一起储存，「具有翅膀」将与「鸟」（向上一级）一起储存，「可以移动」将与「动物」（再上一级）一起储存。节点还可以储存对其上级节点的属性的否定（即「 無法飛翔」将与「 企鵝」一起储存）。这就提供了一种表徵经济性，因为属性仅储存在必不可少的类别级别上，也就是说，該属性會成为這個点上的关键特徵（请参阅下文）。

TLC中的处理是某种形式的扩散激活。[8] 換言之，当一个节点变为激活态时，該激活透過節點之間的鏈接傳播到其他節點。在這種情況下，回答 "雞是鳥嗎？"這個問題的時間是 "雞 "和 "鳥 "節點之間的激活必須擴散到多大程度的函數，即 "雞 "和 "鳥 "節點之間的鏈接數量。

原始版本的TLC並沒有對節點之間的鏈接進行加權。雖然這版本的TLC在許多任務中的表現與人類相當，但是沒有預測到比起那些不太典型的例子，人們對於更典型類別的問題會更快地作出回答。[9]科林斯和Quillian随后修改了TLC，納入了加权链接來解决這個问题。 [10]新版的TLC能够解释熟悉效果和典型性效果 。它的最大优点是它清楚地说明了促發 ：「如果相關資訊（即 「促發物」）在很短的時間內已經呈現過，那麼更有可能從記憶中提取資訊。」还有一些记忆现象是TLC无法解释的，像是当相关节点在網路中相隔很远的时候，为什么人们能够快速反应明显错误的问题（如「鸡是流星吗？」）。[11]

TLC是一类更通用模型的实例，該模型称为语义網路。在语义網路中，节点代表著特定的概念、詞彙或特征。也就是说，每个节点都是一个「符号」。语义網路一般不会像神經網路那样采用分布式的概念表徵。语义網路的定義性特徵是它的链接几乎总是定向的（也就是说，它们仅指向一个方向，即从基点到目标），且链接有著许多不同的类型，每一种类型都代表着任何两个节点之间的特定关系。 [12]语义網路中的处理過程通常采用扩散激活的形式（请参见上文）。

语义網路在篇章分析和逻辑理解模型以及人工智慧的应用最为广泛 。[13]在这些模型中，节点对应的是詞彙或词根，而链接代表它们之间的句法关系。语义網路在知识表徵中计算實作之範例，请参见Cravo和Martins（1993）。[14]

特徵模型認為，語義類別是由相對散亂的特徵集所組成。Smith、Shoben和Rips（1974）提出的語義特徵比較模型[15]認為，記憶是由不同概念的特徵列表所組成。根據這種觀點，我們無法直接提取類別之間的關係，而是透過間接的方式計算出來。例如，主體可能透過比較代表主謂概念的特徵集來驗證一個句子。這種計算特徵比較模型的提出者包括Meyer(1970)[16]、Rips(1975)[17]、Smith等人(1974)。[15]

早期對知覺和概念分類的研究工作假設類別具有關鍵特徵，而類別成員可以透過特徵組合的邏輯規則來確定。較近期的理論則認為，類別可能具有不明確或 "模糊 "的結構[18]，並提出了概率模型或全局相似性模型來驗證類別成員的資格[19]。

关联為兩個資訊之間的關係，是心理學中的一個基本概念。對於記憶和認知模型而言，不同層次的心理表徵之間的关联至關重要。記憶裡的項目之間的关联集相當於網路中的節點之間的鏈路，每個節點對應於記憶中的唯一項目。事實上，神經網路和語義網路可以被描述為認知的关联模型。然而，关联通常被更清楚地表示為一個N×N矩陣，其中N是記憶中項目的數量。因此，矩陣的每個單元對應於行項和列項之間的關聯強度。

關聯學習一般被認為是個赫布過程；也就是說，每當記憶中有兩個項目被同時激活，這兩個項目之間的关联就會越來越強，如果越是激活其中一項，那麼另一項也激活的可能性就越大。關聯模型的具體操作方法見下文。

搜索聯想記憶（SAM）模型是採用关联方法的標準記憶模型[20]，雖然SAM最初是為了對情節記憶建模，但其機制也足以支援一些語義記憶的表徵[21]，SAM模型包含短期儲存（STS）和長期儲存（LTS），STS是LTS中短暫激活的資訊子集。STS的容量有限，並且透過對可採樣的資訊量、採樣子集的激活時間作出限制，進而影響提取過程。LTS中的提取過程具有線索依賴性和概率性，亦即線索會啟動提取過程，並從記憶中隨機選擇資訊。抽樣概率取決於線索與被提取項之間的關聯性強弱，隨著抽樣資訊關聯性增強，最終會選出一個資訊。緩衝區的大小被定義為r，這並非一個固定的數字，當項目在緩衝區中排練時，其關聯強度隨緩衝區內總時間而線性增長[22]。在SAM中，當任何兩個項目同時佔據一個工作記憶緩衝區時，其關聯強度就會遞增。因此，經常同時出現的項目之間的關聯強度更加強健。在SAM中，項目也與特定的語境相關聯，而這種關聯的強度由每個項目在特定語境中存在的時間長短決定。因此，SAM的記憶是由記憶中的項目與項目之間，以及項目與語境之間的關聯所組成。一組項目和語境的出現，更有可能喚起記憶中某些項目的子集。項目對其他項目的喚起程度(無論是由於共同語境，亦或者是同時發生)都是項目語義關聯性的指標。

在SAM的更新版本中，已經存在的語義關聯使用語義矩陣來解釋。在實驗過程中，語義關聯保持不變，顯示出語義關聯不受實驗的情節經驗影響之假設。SAM模型中有兩種方法衡量語義關聯性：「潜在语义分析」（Latent semantic analysis，LSA）和「詞語關聯空間」（Word association spaces，WAS）[23]。LSA方法指出，詞彙之間的相似性是透過詞彙同時在局部語境中出現來反映。[24]WAS則是透過分析自由關聯規範的數據庫來發展的。在WAS中，具有相似關聯結構的詞會被放置在相似的空間區域中。[25]

ACT（英語：Adaptive Control of Thought，思想的自适应控制）[26]，以及後來的ACT-R理論（Adaptive Control of Thought-Rational，思想的自适应控制-理性）[27]使用「意元」（chunk）來表示陳述性記憶（語義記憶是該記憶的其中一種），「意元」是由一個標籤、一組與其他意元的明確關係（即 「這是一個__。」或「這個有一個__。」）以及任意個意元特有的屬性所組成。那麼，鑑於每個節點都是一個具有獨特屬性的意元，而每個鏈路都是意元與另一個意元的關係，因此可以將意元映射為一個語義網路。在ACT中，意元的激活度會隨著該意元的創建時間增加而減少，並隨著該意元在記憶中的提取次數上升而增加。意元也可以從高斯雜訊以及它們與其他意元的相似性中獲得激活。例如，如果用「雞」作為提取線索，那麼「金絲雀」將憑藉其與該線索的相似性（即兩者都是鳥類等）來接收激活。當從記憶中提取物品時，ACT會查看記憶中最活躍的意元，如果高於閾值，該意元就會被提取出來，否則就發生了 「遺漏錯誤」（error of omission），即該項目會被遺忘。此外，還有一個提取潛伏期，它與被提取的意元對提取閾值的激活超出量成反比。這個潛伏期可被用來衡量ACT模型的響應時間，與人類的表現相比較[28]。

雖然ACT是種一般性的認知模型，而不是記憶模型，但如上文所述，它提出了記憶結構的某些特徵。特別是，ACT將記憶建模為一組相關的符號意元，可以透過提取線索來觸接記憶。雖然ACT中使用的記憶模型在某些方面與語義網路相似，但所涉及的處理方式更類似於關聯模型。