基于深度學習的漢語詞義消歧方法研究.pdf_第1頁
已閱讀1頁,還剩72頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、自然語言中一詞多義現(xiàn)象是普遍存在的。詞義消歧(word sense disambiguation,WSD)任務(wù)是依據(jù)上下文語境確定詞的詞義,詞義消歧任務(wù)可以直接影響機器翻譯(Machine Translation,MT)、信息檢索(Information Retrieval,IR)等任務(wù)的性能。本文在機器學習框架下研究漢語詞義消歧和未登錄詞詞義預測問題。具體而言,本文將從以下三個方面展開研究:
  (1)基于序列標注的漢語詞義消歧

2、。本文將詞義消歧任務(wù)形式化為序列標注問題,研究不同序列標注模型和不同特征的消歧性能。實驗結(jié)果表明:融入五級標注詞義特征的條件隨機場模型消歧效果較好。
  (2)基于詞向量的漢語詞義消歧。為了進一步提高詞義消歧性能,本文嘗試將包含語義信息的詞向量融入詞義消歧中。一方面,利用上下文共現(xiàn)詞頻與句法依存信息縮減歧義詞詞義的候選數(shù)量,而后在神經(jīng)網(wǎng)絡(luò)模型下,通過計算學習獲得的詞義標記向量與歧義詞向量的語義相似度確定詞義;另一方面,我們對最大熵

3、模型進行優(yōu)化,并通過確定性區(qū)別詞和語義相似度對語料進行擴展,以提高詞義消歧的準確率。實驗結(jié)果表明,利用擴展語料在神經(jīng)網(wǎng)絡(luò)最大熵模型的消歧效果最佳。
  (3)基于詞向量的漢語未登錄詞的詞義預測。在詞義消歧的基礎(chǔ)之上,本文探索未登錄詞的詞義預測問題,分為兩個子問題:詞義候選構(gòu)造與詞義預測。在構(gòu)造詞義候選階段,本文分別采用基于詞性、內(nèi)部語素、語義相似度的方法以及多方法融合進行構(gòu)造;在詞義預測階段,本文利用不同粒度的詞向量語義相似度對候

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論