低维显式语义空间下的语义关联度计算方法

语义关联度计算是数据科学中的一个关键性基础问题,在信息检索及自然语言处理等方面有着广泛的应用.针对ESA(Explicit Semantic Analysis)算法存在的局限性,提出一种显式语义特征选择算法,并构建低维语义空间.在此基础上,根据特征概念在Wikipedia中的映射信息,提出一种低维显式语义空间下的语义关联度计算方法.该方法解决了ESA算法在后续语义关联度计算过程中,因高维稀疏空间导致计算效果不够准确的问题.实验结果表明,与当前其他方法相比,该方法的计算结果在皮尔逊相关系数(P)及斯皮尔曼相关系数(S)上与人们的认知判断之间具有更好的一致性.

TransP:一种基于WordNet中PartOf关系的知识图谱嵌入方法

在三元组(lip,PartOf,mouth)中,PartOf关系连接的头实体lip具有部分属性,尾实体mouth则具有整体属性,对这类三元组进行嵌入表示时,头实体和尾实体不应以同样的方式编码。对此,将PartOf关系三元组中的实体编码为一个球体,球心表示对应实体的低维语义空间向量,利用球体的相对位置关系对WordNet中实体间的PartOf关系进行建模,将其命名为TransP模型。在WN18数据集上对TransP进行了链接预测和三元组分类实验,验证了TransP模型的有效性。