自然語(yǔ)言處理是人工智能領(lǐng)域的重要研究方向,詞表示作為自然語(yǔ)言處理工作中的基礎(chǔ)工具也越來越成為研究的熱點(diǎn)之一。目前流行的詞表示學(xué)習(xí)的方法主要遵循分布假說�；谶@項(xiàng)假說的分布語(yǔ)義模型多依賴于大規(guī)模的文本語(yǔ)料庫(kù),這也給詞表示在準(zhǔn)確性上造成了局限性。一方面研究表明,針對(duì)專門領(lǐng)域的語(yǔ)料庫(kù)訓(xùn)練出來的詞表示在一些特定任務(wù)中表現(xiàn)的效果更好,另一方面也表明語(yǔ)料庫(kù)越大,訓(xùn)練出來的詞表示效果越好。那么如何解決因語(yǔ)料庫(kù)規(guī)模增大而導(dǎo)致領(lǐng)域混雜所帶來的損失是本文研究的重點(diǎn)和難點(diǎn)。針對(duì)以上問題,本文提出使用知識(shí)庫(kù)來增強(qiáng)詞表示能力。鑒于知識(shí)庫(kù)提供了詞匯項(xiàng)之間精確的語(yǔ)義關(guān)系,利用這一特征恰好來彌補(bǔ)大規(guī)模語(yǔ)料庫(kù)中目標(biāo)單詞上下文之間領(lǐng)域模糊問題。一方面,本文將知識(shí)庫(kù)提供的詞匯項(xiàng)關(guān)系作為一種“精確”的上下文加入到目前流行的分布語(yǔ)義模型中,另一方面,相較于前者知識(shí)庫(kù)作為一個(gè)整體加入訓(xùn)練,針對(duì)知識(shí)庫(kù)關(guān)鍵詞之間的強(qiáng)弱關(guān)系特征,再次使用知識(shí)庫(kù)來加權(quán)調(diào)節(jié)目標(biāo)單詞的詞表示,進(jìn)一步提升詞表示質(zhì)量。最后,針對(duì)知識(shí)庫(kù)提供的大量詞關(guān)系對(duì),對(duì)于一詞多義的目標(biāo)單詞,在其眾多詞關(guān)系對(duì)中加入聚類算法從而分類訓(xùn)練出一詞多義的詞表示。實(shí)驗(yàn)結(jié)果中,針對(duì)訓(xùn)練出的...

【文章頁(yè)數(shù)】：51 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１神經(jīng)語(yǔ)言網(wǎng)絡(luò)模型??

?天津大學(xué)碩士學(xué)位論文???２．１．２基于神經(jīng)網(wǎng)絡(luò)的詞表示模型的研究現(xiàn)狀??在基于神經(jīng)網(wǎng)絡(luò)的模型中，圖２－１中神經(jīng)網(wǎng)絡(luò)語(yǔ)會(huì)模型是具有代表性的模型，??Ｂｅｎｇｉｏ［２Ｑ］等人提出的該模型使用了語(yǔ)言模型來對(duì)目標(biāo)單詞和上下文進(jìn)行建模，構(gòu)??建了全連接的神經(jīng)網(wǎng)絡(luò)來訓(xùn)練模型，該網(wǎng)絡(luò)將詞的....

圖２－３?ＷｏｒｄＮｅｔ實(shí)體詞義Ｊｆｅ聯(lián)關(guān)系??

?＼?ｐａｒｔ?ｏｆ?ａ?ｐｌａｎｔ?．?＼?ｍｄｅｐｅｎｄｆｔｌｙ?／??／?ｏｒｇａｎｉｓｍ?ｌａｃｋｉｎｇ?＼??ｔｈｅ?ｐｏｗｅｒ?ｏｆ?｜??＾＼?ｌｏｃｏｍｏｔｉｏｎ?／?＾??（ｂｉｏｌｏｇｙ?ｔｈａｔ?＼?－?乂?ｐｌａｎｔｓ?ｇｒｒｎ＾??＾?ｊ．?ｔ?Ａ?Ｉ?....

圖２－５目標(biāo)單詞ＣｏｎｃｅｐｔＮｅｔ部分關(guān)系７Ｋ例圖ｍ??２．２．２

?第２章相關(guān)研宄綜述???ｗｉｔｈａｐｕｒｐｏｓｅ［３３］”項(xiàng)目中抽取的常識(shí)如識(shí)零、通過這些資源的組合，ＣｏｎｃｅｐｔＮｅｔ??包含超過２１００萬(wàn)條邊和超過８００萬(wàn)個(gè)節(jié)點(diǎn)。其英語(yǔ)詞匯表包含大約１，５００，０００個(gè)??節(jié)點(diǎn)，并且有８３種語(yǔ)言，其中包含至少１０，０００個(gè)節(jié)點(diǎn)。Ｃｏｎｃ....

圖２－６詞義表ｔｋ問題的實(shí)例描述??

?ｏｆ?ｌｏｃｏｍｏｔｉｏｎ）?＾?ＬＩ」」?１—Ｌ??？?ｐｌａｎｔ?（ａｎ?ａｃｔｏｒ?ｓｉｔｕａｔｅｄ?ｉｎ?ｔｈｅ?ａｕｄｉｅｎｃｅ?ｗｈｏｓｅ?ａｃｔｉｎｇ?ｉｓ?ｐｌａｎｔ＃３??ｒｅｈｅａｒｓｅｄ?ｂｕｔ?ｓｅｅｍｓ?ｓｐｏｎｔａｎｅｏｕｓ?ｔｏ?ｔｈｅ?ａｕｄｉｅ....

本文編號(hào)：4023909