让我们首先对您提出的短语进行分类：

1. 猫喝牛奶。=> 行动
2. 太阳是黄色的。=> 描述性/声明性，不可变
3. 我昨天在上班。=> 描述性的，与时间相关的

1）最简单的总是描述性和不可变的（在上下文中）短语，如“太阳是黄色的。”。一些常见的表示：

• 序言：

颜色（'太阳'，黄色）。

或者简单地说：

黄色（“太阳”）。

• 面向对象：

Sun.color=黄色

2）当事实与“我昨天上班”中的时间相关时，我们将描述分为时间指示器和不可变事实：

• 序言：

什么时候（昨天，在（我，工作场所））。

注意 when 有两个部分，时间标识和不可变事实。

另一个序言变体是：

在（我，工作场所，[何时（昨天）]）。

其中列表中的内容（括号）表示“可选的相关事实”。

• 面向对象：

I.at = {

职位=工作场所；

什么时候=昨天

}

3）“猫喝牛奶”的动作。还有一些更难的：

• 序言：

饮料（猫，牛奶）。

或者

行动（猫，饮料，牛奶）。

• 面向对象：

cat.drinks=[牛奶]

或者

cat.action = {

行动=饮料

对象=牛奶

}

显然，这些只是主要思想，不同的程序有很多表示，但大多数处理相同类型的结构。

（注意：术语“计算机可理解”是模棱两可的。当前的计算机什么都不理解。我们说这些表达式是可以理解的，因为它的编译器/解释器接受它们，并描述了短语的内容，程序可以转换他们到其他结果）。

人们通常将这样的句子表示为特定长度的向量，通常长度约为 2500。可以做到这一点的算法是sentence2vec。它基本上是 word2vec 的派生词。它允许您训练一个模型，该模型可以将句子转换为向量，然后您可以将其输入神经网络或其他算法。您可以查看论文，您应该可以在 google 学者上找到该论文。如果你需要链接，我可以得到它。另一种可能性是词嵌入，我还没有找到一篇好的论文，但是 cortical.io 有一个免费的 API，可以让你搞乱它们的实现。根据我们目前的研究，词嵌入更好地模仿了真实的人脑，但在实践中更经常使用 sentence2vec/word2vec。