基于组合神经网络的语义省略“的”字结构识别

针对语义省略"的"字结构识别任务,提出一种基于组合神经网络的识别方法。利用词语和词性,通过双向LSTM (long short-term memory)神经网络,学习"的"字结构深层次的语义语法表示。通过Max-pooling层和基于GRU (gatedrecurrentunit)的多注意力层,捕获"的"字结构的省略特征,完成语义省略"的"字结构识别任务。实验结果表明,所提模型在CTB8.0 (ChineseTreebank 8.0)语料中,能够有效地识别语义省略的"的"字结构, F1值达到96.67%。

基于AMR语料库的汉语省略与论元共享现象考察

省略是汉语中常见的语言现象,在传统的句法语义表示方式中,含有省略信息的语言结构经常被忽视,而且由于其树结构的限制,语言中论元共享的现象也很少能够清晰地表示出来。本研究基于人工标注的抽象语义表示(Abstract Meaning Representation,AMR)汉语语料库,通过分析AMR标注中增补的概念节点及其涉及的语言结构,统计省略和论元共享现象在汉语真实语料中对应的基本结构类型及其分布,从省略信息的指称类型、句法位置以及句法成分等角度归纳出各类省略模式,为汉语语义完整表示奠定基础。

语义省略“的”字结构自动识别研究

语义省略是语言使用中存在的一类普遍现象,其省略的信息给机器自动理解造成困难。其中具有语义省略“的”字结构,在省略概念添加的类型中所占比例最高。文章利用“的”字局部上下文的词性和句法信息,通过动词框架找出具有语义省略的“的”字结构。实验表明,该方法能够在CTB8.0(Chinese Treebank)语料中有效识别出含有语义省略的“的”字结构,在测试集中F1值达到87%,取得了较好的实验效果,为机器对深层语义的理解奠定基础。

语义省略“的”字结构中心语自动补全研究

省略作为一种复杂的语言现象,一直是汉语语义研究的重要课题。如何将省略的语义内容补全以还原句子的完整语义也是机器理解自然语言的关键。本文基于AMR(Abstract Meaning Representation)语料统计得到含有语义省略信息的"的"字结构,针对特指性和泛指性省略类型,采用特殊句式核心谓词对应主宾语和基于谓词框架抽取核心谓词搭配必有论元成分的策略,确定补全的语义类别。研究结果表明,该方法对于省略"的"字结构中心语补全有较好的效果,可为自动理解深层语义奠定基础。