基于FrameNet框架关系的文本蕴含识别

文本蕴含识别是处理自然语言中广泛存在的同义异形现象的一种有效途径。该文基于FrameNet中框架及框架之间的八种关系,结合WordNet中词汇间的语义关系,提出了一种文本蕴含识别方法。在给定文本T和假设H中词元激起的框架基础上,该方法利用深度优先搜索,在FrameNet框架关系图中,查询T和H中框架之间的上下位关系;再使用WordNet中语义关系比较二者的框架元素是否一致或相似。实验对RTE2007中50个文本对进行了测试,达到了76.6%的准确率,略高于RTE2007评测的最优结果。

FrameNet、WordNet、VerbNet比较研究

FrameNet、WordNet、VerbNet作为语义型词典,在自然语言处理及其电子词典编纂领域得到广泛应用。这三种语义类型的词典各自从不同侧面表达词汇概念及语义关系,彼此之间互为补充,并且建立相互之间的映射,共同为语义分析提供了丰富知识资源。但这些语义型词典构建理论基础不同,形成各自明显的特征,因此文章从理论基础、组织结构、语义关系、应用范围四个层面上对这三种语义词典进行具体比较分析,明确其各自侧重点及差异,以帮助词典使用者及语言信息处理人员更好地应用。

基于本体的FrameNet框架之间域关系分析

介绍了FrameNet是一个巨大的框架网络体系,大部分框架之间都有一定的联系(也有个别是独立的框架不与其它有关联)。框架间的关系有总分关系、域关系、继承关系、参见关系、起始关系及原因关系。在本体论的基础上,以当前正在研究的法律本体为实例,对FrameNet中框架间关系(尤其是域关系)的构建进行了详细的分析。

FrameNet框架之间的关系分析

通过介绍FrameNet中框架间的关系,对继承关系、透视关系、总分关系、先后关系、起始关系、致使关系、使用关系、参照关系等每一关系的特点进行详细分析,为构建法律框架网络本体提供参考作用。

FrameNet叙词表与传统叙词表语义关系比较研究

本文论述了传统叙词表的语义关系及其所具有的局限性,对FrameNet叙词表的语义关系如词汇聚合关系、继承关系、总分关系、参照关系、因果与状态关系进行了充分揭示,并总结了其明显的语义特征。FrameNet叙词表运用本体论思想,将人工语言与自然语言、词汇与句法有机结合,为今后自动语义标注、问答系统、信息抽取和信息检索的应用奠定了基础。

浅谈FrameNet框架汉译时的译者术语意识

汉语框架网的建设需要参照FrameNet,因而FrameNet框架汉译是其中必要的一步。由于FrameNet框架会涉及众多"概念名称",所以在FrameNet框架汉译时,译者术语意识通过提供一定程度上的理论指导来加强控制汉语框架网的框架质量。

FrameNet中有定的零形式识别

在FrameNet,有定的零形式识别旨在发现框架语义标注语料中需要填充的零形式框架元素,有助于篇章理解能力的提高。针对该任务,该文提出一个简单的二级流水线的有定的零形式识别方法:第一级基于规则在语义角色标注的基础上检测出语料中的零形式,第二级使用最大熵分类器预测检测出来的零形式类别,以达到有定的零形式识别的目的。实验在SemEval-2010Task 10的测试集中的结果显示,零形式检测的召回率和分类准确率分别为60.1%和53.5%,接近于评测给出的最好结果。

基于卷积神经网络的FrameNet框架消歧研究

针对当前FrameNet框架下的词义消歧准确率较低的问题,采用卷积神经网络应用于FrameNet框架进行框架消歧研究.该模型依托依存句法分析树排序选出待消歧词的6个邻接单词节点,并选择单词词义、父节点词义、单词词性、单词依存分析类型作为消歧特征,使用Softmax函数作为全连接层分类器,通过输出待消歧词可激活的各框架概率选出概率值最高的作为激活框架,从而判定待消歧词词义.实验结果表明,该模型在FrameNet框架的消歧准确率较高于条件随机场等其他普遍算法,各目标词的准确率较为稳定,通过该模型切实提升了FrameNet框架消歧的准确率.

FrameNet对词典编纂的启示——以柯林斯COBUILD英语词典为例

以FiIlore的框架语义学为理论基础的FrameNet,旨在通过对真实语料的分析和研究,建立起可以从不同的视角理解词义的语义框架。它指出对于词义的描述必须与其所在的认知概念框架相联系。FrameNet将每个词都放到不同的场景之中,形成每个词的语义框架,这样使用者在使用的过程中可以在头脑中构建出一个完整的语义框架,对于词义的理解自然也就比较深刻。而这正是目前传统的字典所需要加以完善之处。鉴于柯林斯COBUILD英语词典也是基于真实语料库所编纂的,两者在语料来源的本质方面不谋而合。本文选取两者进行对比,以期FrameNet可以对未来的词典编纂有所启示。

基于SVM和CRF双层模型的FrameNet框架消歧

框架消歧指的是在给定的句子中根据目标词的上下文语境,自动识别出有歧义的目标词所属的框架。针对传统FrameNet框架消歧方法使用单一分类模型时没有考虑到目标词之间的联系而导致隐性特征难以被提取,以及分类结果比较依赖分类模型的性能及参数的设置的问题,提出了一种基于SVM和CRF双层模型的FrameNet框架消歧方法。该方法利用分治思想将框架消歧问题转化为对目标词的分类及序列标注。第一层SVM模型对输入的语料进行粗分类,得到分类标签序列;第二层CRF模型将文本序列和SVM模型的分类标签序列作为输入,将分类标签加入特征模板进一步进行序列标注。实验选取了FrameNet语义知识库中能够激起多个框架的18个词元,2614条例句作为实验数据。实验结果显示,与传统方法相比,基于SVM和CRF的双层模型有较高的准确率,证明了该方法是一种较为适用的FrameNet框架消歧方法。

FrameNet对英语学习者的实用意义研究

学习型词典是英语学习者的常用工具，为学习者提供了诸多便利。而语义型词典多应用于机器翻译等领域。FrameNet（框架网络）作为语义型词典，也没有为英语学习者所熟知和应用。文章对FrameNet进行研究，论述其对英语学习者的实用意义，进而得出FrameNet应该得到推广，让学习者从另外一个角度理解语言，学习语言，运用语言。

基于FrameNet的汉语语义框架网络自动构造

语义知识库是自然语言处理的基础性工程,但现阶段语义知识库的构建,大部分工作基于人工。基于英语框架网络FrameNet,采用FrameNet的现有框架库作为汉语框架网络的框架库,通过FrameNet中现有标注英文例句训练一语义角色标注器,利用英汉双语平行语料,对英文语料进行语义角色标注并将其映射到中文句子上,从标注好的汉语句子中提取汉语词元和例句填充汉语框架,构建汉语词汇库和例句库,从而实现汉语语义框架网络的自动构造。

学术语篇中的惊奇与兴趣知识情感:基于FrameNet的研究

本研究基于FrameNet考察了惊奇与兴趣两种知识情感在学术语篇中的建构路径。具体而言,本研究通过对语义框架及核心框架元素的分析,探讨不同框架元素在框架系统中的呈现方式,揭示惊奇与兴趣知识情感表达的分布特征。结果显示,惊奇标记语与兴趣标记语在语言学学科中呈现七种语义框架。此外,在语义框架内部倾向通过现象、属性和关系三种触发类型引起惊奇与兴趣,较少指明触发原因、解决方式与情感体验者。触发程度方面,惊奇情感表述偏好减弱型标记程度,而兴趣情感表述偏好增强型标记程度。上述发现通过知识情感的框架路径揭示了学术知识构建过程和学科共识的合法化过程,为学科话语实践提供新的研究视角。

基于FrameNet的英语词汇语义分析及对句法表征的影响研究

FrameNet(框架网络)是一个基于语料库的在线英语词汇知识库和计算机词典编纂项目。针对英汉词汇不对等引发的理解偏差和结构不当问题,结合案例分析,尝试使用FrameNet进行语义分解,论证FrameNet能够有效辨析词汇语义差异,并从词汇语义选择限制角度解释句法表征差异。通过FrameNet来抽取词汇语义和句法信息的思路,如果能应用到教学中去,会对英语基础教学有很大的启发。

框架语义的建构与翻译过程的概念整合——基于认知语料库“FrameNet”的翻译教学研究

翻译过程的实质是概念框架的转换和语义的定位过程。文章通过认知语料库"FrameNet"描述了框架语义的建构过程,运用框架的概念和句法实现揭示了语义信息和配价关系的基本结构并形成有关翻译心理层面的全面印象,同时结合概念映射和概念整合特点,以期在实践上减少译者的主观判断对译文产生的负面影响,使翻译教学过程中的概念转换更具操作性和解释力。

融合知识的多目标词联合框架语义分析模型

框架语义分析任务是自然语言处理领域的一项基础性任务。先前的研究工作大多针对单目标词进行模型设计,无法一次性完成多个目标词的框架语义结构提取。该文提出一个面向多目标的框架语义分析模型,实现对多目标词的联合预测。该模型对框架语义分析的各项子任务进行交互性建模,实现子任务间的双向交互。此外,该文利用关系图网络对框架关系信息进行编码,将其作为框架语义学知识融入模型中。实验表明,该文模型在不借助额外语料的情况下相比之前模型都有不同程度的提高。消融实验证明了该文模型设计的有效性。此外,该文分析了模型目前存在的局限性以及未来的改进方向。

基于框架语义映射和类型感知的篇章事件抽取

篇章事件抽取任务从给定的文本中识别其事件类型和事件论元。该任务包括事件检测和论元识别两个子任务。目前篇章事件普遍存在数据稀疏和多值论元耦合的问题。基于此,该文提出了一种基于框架语义映射和类型感知的篇章事件抽取方法。该文分析发现事件描述与框架语义网有着相似的结构,因此将汉语框架网(CFN)与中文篇章事件建立映射,并在文本输入层引入触发词释义信息和滑窗机制充分感知上下文信息,改善了事件检测的数据稀疏问题;使用基于类型感知标签的多事件分离策略缓解了论元耦合问题。为了提升模型的鲁棒性,进一步引入对抗训练。在DuEE-fin和CCKS2021数据集上的实验结果显示,该文模型较当前主流模型测试结果有较大提升,验证了方法的有效性。

基于FrameNet的英汉词汇语义对比模式探索——以英汉情感框架词汇语义对比研究为例

框架网络(FrameNet)是以框架语义学理论和语料库为基础的在线词汇知识库,以数据库的形式展示英语词汇概念框架。以此理论为基础进行英汉词汇语义对比研究,有利于全面揭示两种语言的词汇语义共性和差异。本文在英语FrameNet和中国学者建立的汉语框架网络知识库(CFN)的基础上,探索英汉词汇对比的方式和程序,构建词汇语义对比模式,并以英汉情感框架词汇语义对比研究为例,对该模式进行应用性尝试。

怎样用物性结构知识解决“网球问题”?

"网球问题"指怎样把racquet(网球拍)、ball(网球)和net(球网)之类具有情境联想关系的词汇概念联系起来、发现它们之间的语义和推理关系。这是一个自然语言处理和相关的语言知识资源建设的世界性难题。该文以求解"网球问题"为目标,对目前比较主流的几种语言词汇和概念知识库系统(包括WordNet、VerbNet、FrameNet、ConceptNet等)进行检讨,指出它们在解决"网球问题"上还都存在一定的局限性,着重分析它们为什么不能解决"网球问题"。进而指出基于生成词库论的名词物性结构知识描写体系可以解决"网球问题",主张用名词的物性结构知识和相关的句法组合知识来构建一种以名词(实体)为核心的词汇概念网络,以弥补上述几种知识库系统的不足,为自然语言处理提供一种可资参考的词汇概念知识库体系。

多特征文本蕴涵识别研究

文本蕴涵识别是解决自然语言中存在的同义异形问题的有效途径。虽然国内外学者已经提出了很多文本蕴涵识别模型,但影响文本蕴涵识别的因素错综复杂,识别准确率普遍不高。该文把文本蕴涵识别看作二元分类问题,抽取词汇特征、句法依存关系特征及FrameNet语义知识库特征的多种特征构造特征矩阵,训练SVM分类器,实现文本蕴涵识别。该方法在国际文本蕴涵识别技术评测RTE3的测试集上进行测试,蕴涵正例识别准确率达到了78.1%,高于RTE3评测2-ways的最高结果。