基于卷积神经网络的词义消歧

为了提高词义消歧性能,提出了一种基于卷积神经网络的消歧方法.以歧义词为中心,向左右两侧连续扩展4个邻接词汇单元,选取其中的词形、词性和语义类作为消歧特征.以消歧特征为基础,使用卷积神经网络来确定歧义词的语义类别.利用SemEval-2007：Task#5的训练语料和哈尔滨工业大学语义标注语料来优化卷积神经网络.使用SemEval-2007：Task#5的测试语料来测试词义消歧分类器的性能,所提方法的消歧平均准确率有提高.实验结果表明,该方法在词义消歧中是可行的.     

词义消歧相关术语简介

词义消歧是计算语言学领域的基础性关键研究课题。本文介绍了与词义消歧相关的一些重要术语概念,包括词义消歧、词义区分、基于词典的词义消歧方法、有监督的词义消歧方法、词义标注语料库等。     

四种统计词义消歧模型的分析与比较

综合考察了贝叶斯模型、决策树模型、向量空间模型、最大熵模型在汉语词义消歧上的应用,并对它们的消歧效果进行比较,为词义消歧模型的选择与应用奠定基础。     

词义消歧和词义消歧评测简介

词义消歧是自然语言处理的基础研究之一。本文简要地介绍了词义消歧的研究目的、研究内容、研究方法（特别是基于机器学习的方法）和研究历程,以及当前词义消歧所面临的主要问题;接下来比较详细地介绍词义消歧相关的国际评测。最后对全文做出总结。     

基于确定信息的直接语法分析

分析了句子中确定信息的特征,将其归结为不同层次的模式.分别对模式进行了形式化,对相同层次的模式赋予不同的优先级.利用这些确定信息,提出一个不经过词性消歧的直接语法分析算法:首先分析确定的信息,减少搜索空间,获得更多确定信息,并不断利用已有的信息进行深入的分析,最终导出正确的分析结果.实验显示:该算法精确率和召回率分别达到92.90%和91.47%.     

基于卷积神经网络的FrameNet框架消歧研究

针对当前FrameNet框架下的词义消歧准确率较低的问题,采用卷积神经网络应用于FrameNet框架进行框架消歧研究.该模型依托依存句法分析树排序选出待消歧词的6个邻接单词节点,并选择单词词义、父节点词义、单词词性、单词依存分析类型作为消歧特征,使用Softmax函数作为全连接层分类器,通过输出待消歧词可激活的各框架概率选出概率值最高的作为激活框架,从而判定待消歧词词义.实验结果表明,该模型在FrameNet框架的消歧准确率较高于条件随机场等其他普遍算法,各目标词的准确率较为稳定,通过该模型切实提升了FrameNet框架消歧的准确率.     

基于WordNet的无导词义消歧方法

有导词义消歧机器学习方法由于需要大量人力进行词义标注,难以适用于大规模词义消歧任务.提出一种避免人工词义标注的无导消歧方法.该方法综合利用WordNet知识库中的多种知识源（包括：词义定义描述、使用实例、结构化语义关系、领域属性等）描述歧义词的词义信息,生成词义的“代表词汇集”和“领域代表词汇集”,结合词汇的词频分布信息和所处的上下文环境进行词义判定.利用通用测试集Senseval 3对6个典型的无导词义消歧方法进行开放实验,该方法取得平均正确率为49.93％的消歧结果.     

统计与神经网络相结合的词义消歧模型

介绍了一种基于BP神经网络和统计方法相结合的有导词义消歧模型，阐述了BP神经网络原理，通过对使用这种混合人工智能的消歧模型的可能性和优越性进行了讨论，最后通过试验发现实际和预测结果的误差并不随着试验迭代次数而递减，而是实际误差随着次数的增加在零的附近呈现波动状态，即使用很少的迭代次数也可以得到比较好的结果。