基于人工智能神经网络的上下文介词消歧方法

介词结构的分析难点在于如何对介词及其结构进行有效分类,挖掘其语义信息,并对介词结构进行有效的消歧处理.为了应对这一难题,结合人工智能和神经网络技术,提出一种基于长短期记忆和注意力机制的树递归神经网络模型,旨在解决自然语言处理中的上下文介词消歧问题.该模型通过引入注意力机制,将模型注意力集中在与介词含义相关的关键信息上.首先,通过嵌入上下文解析树和上下文词向量,捕捉上下文词汇之间的语义关系.然后,采用带有长短期记忆功能的树递归神经网络(Long Short-Term Memory Tree Recurrent Neural Network, Tree-LSTM)模型为树中的每个节点生成隐藏特征,并递归地跟踪树中不同分支上的传播来计算树节点的上下文表示.最后,为了减少噪声对上下文中与介词含义相关的关键信息的影响,引入注意机制卷积神经网络(Attention-based Convolutional Neural Network, ACNN),使模型专注于需要消除歧义的文档中的重要部分.这种方式使模型能够自动选择并关注与当前介词含义最相关的词汇,从而提高消歧准确性.实验结果表明:在Semeval 2013 Task 12词义消歧数据集上,该文提出的模型取得了88.04%的F1-score,优于现有主流深度学习模型,验证了该文方法的有效性.

英文介词短语归并歧义的RMBL分类器消解

采用"规则+例外"分类器来解决英文介词短语的消歧问题.对于规律性知识,在学习和推理过程中以规则形式处理;对于不是规律性知识的,采用Memory-Based Learning的方式进行学习、分类和推理.在2套标准训练集和测试集环境下,不借助任何其它自然语言知识库,本文所采用"规则+例外"分类器所得到的正确率分别为80.85%和81.2%,取得了很好的效果.

基于SMLE的介词短语修饰消歧处理

从本质上说，机器翻译过程是一个多层次消歧过程。介词短语修饰歧义是导致机器翻译中结构歧义的典型原因之一。本文构造了一个基于类似最大似然估计的介词短语修饰消歧模型。该模型利用了词汇的下位词性、语义分类和短语结构信息，同时考虑了低概率事件。利用关于汽车配件的真实语料进行训练该模型，真实训练语料库包括大约 100000个句子，其中构造了大约 3000个测试例子，测试结果获得了 93％的准确率。该消歧技术应用在汽车配件真实受控文本机器翻译系统中，取得了很好的效果。