简短的回答：是的。

TL;博士

在存在良好数据集的情况下，这可以通过管道来完成。

长答案

实际上，成语是一系列单词，它们应该具有字面阅读（来源）未表示的语义含义。这意味着使用的任何系统都必须能够一次考虑多个单词。此外，一些习语是上下文相关的。例子：

• 渔夫用他的工具打破了冰。

我们是否相信这是一个非常温文尔雅的渔夫？

那么，有可能教人工智能使用惯用语来跟上人类的文化吗？

请注意，人类不会在语言上“预先加载”成语。所以我们可以有把握地假设习语的使用是一项学习任务，他们跟上的唯一方法就是不断学习。因此，如果我们解决了习语学习任务，我们只需要让我们的代理在线或定期在新生语料库上重新训练它。

一个困难是，在没有标签的情况下，隐喻很容易被误认为是成语，反之亦然。因此语义异常值（对不起，它不是免费的）方法可能会遇到精度问题。例子：

• 她是一朵带刺的野花（比喻——很容易成为一个成语）
• 她是粗糙的钻石（成语 - 很容易成为一个隐喻）

但是，如果数据集很大，则很可能会重复习语，而“自定义隐喻”则不太可能重复。

此外，一些习语（例如咬紧牙关或断腿）没有现成的“可解释的语义”，无法让我们提取它们的预期含义。例如，如果一个人不知道“让我放松一下”这个成语，你可能会想：

“松弛意味着放松或不那么紧/绷紧。我非常紧张。他们可能希望我放松而不是那么挑剔。”

当然，人类对它的理解可能会在一瞬间发生，而不是遵循这样一个划定的路径。这个想法是，一些NLP 管道可能是可构造的，可以在某些特定用例（管道示例）中令人满意地处理习语。例如，一个模块可能会尝试处理具有可解释语义的异常值，例如“未加工的钻石”。不过，像“咬紧牙关”之类的东西可能必须用正确的语义来标记。

我只是触及了这个表面。自然语言理解已经是一个难题——习语因此是一项艰巨的任务。我希望这能激发阅读一些更透彻的文章。我收集了一些可以用作文献跳板的文章。

这是一个使用字典类型方法来训练模型识别习语的来源。摘抄：

为了识别，我们假设数据的形式${(⟨p_i,d_i⟩,y_i) : i = 1...n}$在哪里$p_i$是与定义相关的短语$d_i$和$y_i ∈ \{literal, idiomatic\}$.

此源提供用于成语提取的伪代码。

此来源描述了一个数据集，以帮助解决成语困难。

您是否可以访问正确翻译成语的源语言和目标语言的平行语料库？神经机器翻译。(NMT) 应该处理这个问题。NMT 使用深度学习将一种语言中的序列/单词对与另一种语言进行匹配，现在是翻译 AI 的最先进方法。

我不认为人工智能知道语言的语法。翻译人工智能知道模式，但不一定知道我们小时候在学校学习的语法。这是一种潜在的方法，应该可以提供足够大的语料库和成语示例-github.com/facebookresearch/MUSE