用歧义构建递归假设 - 它叫什么？

我遇到了很多问题（在数据分析或AI的广泛领域）。但是我无法命名它，可能是因为我没有正式的CS背景。请原谅，我举两个例子：用歧义构建递归假设 - 它叫什么？

想象自然语言解析：

The flower eats the cow.

你有一个程序，它的每个字，并确定其类型和它们之间的关系。有两种方法来解释这句话：

1) flower (substantive) -- eats (verb) --> cow (object)

使用通常的SVO词序，或

2) cow (substantive) -- eats (verb) --> flower (object)

使用更诗意的世界秩序。该方案将排除其他可能性，例如“花”作为动词，因为它遵循“the”。它会排列剩余的可能性：1）比2更自然的词序），所以它得到更多的点。但是，包括世界知识，花卉不能吃牛，2）仍然赢。所以它可能会返回两个假设，并给1）30分，2）70分。

然后，它会记住两个假设并继续解析文本，分支。一个分支假设1），一个2）。如果某个分支达到矛盾或者排名为0，则被丢弃。最后，它再次提出排名假设，但对于整个文本。

对于不同的例子，假设光学字符识别：

**  ** 
    **  ** ***** 
    ** ******* 
******* ** 
* **  ** 
    **  **

我可以看看招，说，肯定这是一个“H”。在确定H后，我注意到它周围有污迹，并给它一个稍差的分数。

或者，我可以先运行我的污迹识别，并注意水平线看起来像一个神器。删除后，我认识到这是ll或Il，并给它一些排名。

处理完整个图像后，可以是Hlumination,lllumination或Illumination。使用字典和总排名，我决定这是最后一个。

普遍的问题始终是某种解析/理解。例子：
- 自然语言或模棱两可的语言
- OCR
- 路径寻找
- 不明确或不完整的用户开关输入处理 - 这解释是有意义的，这是最合理的？
我是递归的。
它可以提前退出（当一个分支/解释没有意义，或最终得分为0）。所以这可能是某种回溯。
由于含糊不清，它记住了所有选项。
它基于简单的规则在底部can_eat(cow, flower) = true。
它保持解释的合理性排名。
它在元层次递归：它可以派生/分支到不同的'世界'，在处理下一部分数据时它假设不同的假设。
它会将个人排名，可能使用贝叶斯概率，转化为依赖假设。
实际上，将会有方法来训练这个东西，确定排名系数，并且如果树太大，会出现截断点。