深度学习在汉语语义分析的应用与发展趋势

人工智能分为感知和认知两个研究阶段。近年来,随着大数据技术和以深度学习为代表的机器学习技术的迅猛发展,人工智能在感知阶段进展飞速。然而,在认知阶段,尤其是在自然语言理解方面的发展仍较为有限。与人类丰富的语言经验、语言知识储备相比,仅仅依靠基于数据驱动的深度学习很难产生真正的智能。为了打破深度学习的性能瓶颈,必须将语义分析的理论和技术与深度学习模型相结合。因此,汉语语义分析理论和技术具有重要研究价值。汉语语义分析可以从海量的中文文本信息中挖掘语义信息,并提供智能的知识服务。文中主要描述了目前主流的汉语语义体系及其语义知识库的构建情况,介绍了汉语语义自动分析方法的研究进展和将汉语语义信息融入深度学习模型中的应用,最后对汉语语义分析的发展与态势进行了展望。

基于语义结构分析的汉语零代词消解

针对汉语零代词的特点 ,分析了零代词在语义结构中与其它语言成分的相互关系 ;并提出在这种关系的宏观控制下 。

一种基于混合分析的汉语文本句法语义分析方法

本文提出了一种领域相关的汉语文本句法语义分析方法。根据领域文本的特点 ,该方法将浅层句法分析和深层句法语义分析结合在了一起。其浅层句法分析部分采用有限状态层叠的方法 ,将文本中的命名实体识别出来 ,从而大大减轻了深层分析部分的负担。其深层句法语义分析部分将语义分析和语法分析结合起来 ,主要依靠词汇搭配信息来决定句子的结构。

一种细粒度的汉语语义角色标注数据集的构建方法

语义角色对自然语言的语义理解和分析有着重要的作用,其自动标注技术依赖良好的语义角色标注训练数据集。目前已有的大部分语义角色数据集在语义角色的标注上都不够精确甚至粗糙,不利于语义解析和知识抽取等任务。为了满足细粒度的语义分析,该文通过对实际语料的考察,提出了一种改进的汉语语义角色分类体系。在此基础上,以只有一个中枢语义角色的语料作为研究对象,提出了一种基于半自动方法的细粒度的汉语语义角色数据集构建方法,并构建了一个实用的语义角色数据集。截至目前,该工程一共完成了9550条汉语语句的语义角色标注,其中含有9423个中枢语义角色,29142个主要周边语义角色,3745个辅助周边语义角色,172条语句被进行了双重语义角色标注,以及104条语句被进行了不确定语义事件的语义角色标注。我们采用Bi-LSTM+CRF的基线模型在构建好的汉语语义角色数据集和公开的Chinese Proposition Bank数据集进行了关于主要周边语义角色的基准实验。实验表明,这两个语义角色数据集在主要周边语义角色自动识别方面存在差异,并且为提高主要周边语义角色的识别准确率提供了依据。

陆汝占教授与汉语计算语义理论

陆汝占教授与汉语计算语义理论陆汝占，男，１９４０年１０月出生于上海。１９６４年毕业于南京大学数理逻辑专业。１９６４—１９６７，１９７８—１９８１年为数理逻辑专业研究生，导师莫绍揆教授。陆汝占现任上海交通大学计算机系教授、计算机软件专业博士生导师。１９...

关于新汉字观的断想

关于新汉字观的断想陈重愚笔者在《关于语素理论的思考》一文中￣［１］，通过对语素概念及其理论的全面清理考察、质疑问难，最终提出了“在汉语语言分析中，可以而且应该取消语素概念，相应地，可以而且应该抛弃语素理论”的主张。而在思考过程中，已经可以见出笔者的一...

汉语背景下法律基本语词的模糊性研究

由于生成特点的差异,汉语语词更易导致模糊性的出现。通过对法律基本语词的模糊性含义分析,在一定意义上有助于辩证地利用模糊或者规避模糊。