Bunt和Black（2000）认为，要构建话语意义的计算模型，需要综合考虑以下三个方面的因素：第一，话语的语言学方面的语义信息，按照单位由小到大的顺序为词和短语、句法组合及其他与句子意义相关的语义信息；第二，话语的物理信息，包括由构成话语的语音特征及视觉信息；第三，话语语境方面的信息，指交际双方依据话题所能提取的背景知识及其想要表达的话语意图，交际的话语环境自身所具有的时间和空间特征。

设计一个语言系统的过程中，如何将知识有机地进行组合，需要怎样的语义处理方法计算组合过程中句子的意义？如果欲计算一个句子（sentence）中的话语u（utterance），条件是只有将u置于一个相对独立的阶段处理其语言学的信息时，计算S的句子意义过程才能等同于计算u的话语意义的过程。如果将话语的物理信息和语境信息视为两类无关信息分开处理，则处理过程为：第一，依据话语u的语言学方面的信息计算所有能够覆盖S的意义；第二，通过话语的物理信息筛掉S中的无效知识；第三，通过语境信息对筛选后的信息进行约束，选择S的最佳表达意义。

在对句子进行处理时，需要处理大量的意义问题，如果脱离语境难免会产生歧义。（Bunt H，2000）因此，这种处理方法在计算话语意义时是很低效的。此时，如果想要降低句子产生的歧义，就要加入动态语境的知识，利用话题领域的知识，通过穷尽词项在该话题领域的各种可能的意义，以便降低词汇层面的歧义。减少短语歧义的解决的方法即以领域知识为基础，构建该领域各种可能的词义组合规则，从而控制生成句子意义的数量。即便如此，还会有很大的意义集产生，还需要通过添加语境信息等方法筛选排除。(www.daowen.com)

发掘话语的潜在意义即推断话语意图过程中，主要从话语上下文一致性，相关性的角度进行考量，而不是寻找语义上的所有可能性。基于此Bunt和Black（Bunt H，Black W.，2000）指出了两种解决路径：第一，通过语境的信息交叉存储语言学知识，在意义处理的初始阶段控制大量的句子意义的生产；第二，约束意义的条件，从而限制生成话语意义的数量。鉴于语境信息推理的复杂度，在应用过程中只有部分信息为有效信息，这无疑增加了方案一的实践难度。因此难以实现对于语言学信息的交叉存取。方案二已经应用于计算语义学的研究中，作为一种句子语义信息的表达方法，称为“待指定的语义表达”（underspecified semantic representation，USR）。（Alshawi H.，1992）此方法把语言学知识不能处理的问题暂且搁置，而单独处理话语意义的计算。根据上下文语义信息将待说明的各种表达进行描述，然后依据语境信息解释话语意图。此方法将计算语义学和计算语用学有机地联系起来，对话语意义计算的处理起着至关重要的作用。

话语的语用推理作为话语理解的有效手段，受到了语言理解系统的关注，语言理解系统尝试对其进行部分形式化处理。关联理论的发展为溯因推理在话语语义的计算方向上提供了思路，然而对于自然语言理解系统而言，现阶段只能算作一种理论上的可行方案，离模型化和算法化的实现还有一定距离。信任推理已经应用于人工智能领域，基于信任空间进行计算的语言理解系统还在不断优化。语境的处理是话语意图计算的关键，其处理结果会涉及语言理解系统的性能，而动态语境知识库的建立可以为话语意义的计算提供可能性。