基于词语距离的网络图词义消歧

传统的基于知识库的词义消歧方法,以一定窗口大小下的词语作为背景,对歧义词词义进行推断.该窗口大小下的所有词语无论距离远近,都对歧义词的词义具有相同的影响,使词义消歧效果不佳.针对此问题,提出了一种基于词语距离的网络图词义消歧模型.该模型在传统的网络图词义消歧模型的基础上,充分考虑了词语距离对消歧效果的影响.通过模型重构、优化改进、参数估计以及评测比较,论证了该模型的特点:距离歧义词较近的词语,会对其词义有较强的推荐作用;而距离较远的词,会对其词义有较弱的推荐作用.实验结果表明,该模型可以有效提高中文词义消歧性能,与SemEval-2007:task#5最好的成绩相比,该方法在MacroAve(macro-average accuracy)上提高了3.1%.

一种改进的基于加权模型的概念相似度计算方法

分析了目前主流的概念相似度的运算形式,对概念相似度计算模型提出了改进.该计算模型在计算初始主流概念相似度的基础上,不仅引入了深度、密度因子,还考虑了有向边类型权重因子在计算相似度中所起的作用,完善了计算方法.通过试验结果可以看出,该方法对概念相似度的计算更准确地体现出了概念间的相似程度.

一种扩展关键词的RDF模糊查询方法

针对文字类型RDF(the resource description framework)的模糊查询问题,提出扩展关键词的RDF模糊查询方法。通过在FILTER子句中增加模糊条件,扩展SPARQL(simple protocol and RDF query language),使其具有表达模糊查询的能力。结合《同义词词林》和《知网》特点,定义词语距离计算公式,并将词语距离作为词语语义相似度计算参数,给出了一种通过义原组合的方式计算词语语义相似度的方法,调用映射函数将语义相似度大于0.5的词语作为扩展的关键词,加入查询条件实现模糊条件转换,并利用现有的SPARQL查询引擎,完成了RDF模糊查询处理。最后,通过实验系统验证了所提方法的可用性。

使用有序词语移动距离特征进行中文文本蕴含识别

提出了一种基于有序词语移动距离的中文文本蕴含识别方法,该方法基于word2vec词向量计算有序词语移动距离特征,进而利用有序词语移动距离特征和传统语言学特征通过支持向量机生成分类模型,然后使用分类模型进行蕴含识别,最终得到蕴含结果.该方法在RITE-VAL评测任务的CS数据上的Macro F1为0.629,超过RITEVAL的最优评测结果(BUPTTeam,0.615).实验结果表明,该方法可以提升中文文本蕴含识别系统的性能.