一种改进的基于语义的词义消歧方法

针对现有基于语义的词义消歧方法存在两点不足:一,利用部分具有歧义的上下文语境词进行消歧存在不合理性;二,未考虑上下文语境词距离远近对语义相关度计算的影响,提出一种改进的方法,采用分步策略和距离加权两种方法分别进行改进。实验结果表明,改进方法在消歧效果上有明显的改善。

上下文边界可变的词义消歧

传统基于知识的词义消歧方法对所有词性的多义词均采用统一窗口大小作为消歧上下文,没有考虑固定窗口中影响消歧的噪音问题,消歧效果不佳,为此提出一种上下文边界可变的中文词义消歧模型。通过分词性的调整消歧上下文边界,尽可能保证选取的上下文中各词语和多义词存在语义联系,达到消减噪音目的。通过构建多义词义项搭配库,进一步细化词语间语义相关度计算。实验结果表明,使用该方法比SemEval-2007最好成绩高出8.6个百分点。

一种改进的无监督网络图词义消歧方法研究

词义消歧是一项根据上下文自动选择正确词义的任务,并且成为了计算语言学领域中最重要最有挑战性的难题之一,在各种自然语言处理应用程序中起了至关重要的作用。因此,为了提高词义消歧的准确率,提出一种改进的无监督网络图词义消歧方法。使用《知网》How Net作为知识库,运用一种新的词语间高阶关系的相似性度量方法,来给图的边分配适当的权值。然后,使用中心度计算并且结合相邻词义,来选择最适合目标词的方法。在数据集Senseval-3中进行了具体测试。实验结果显示：提出的方法的准确率达到46.1%,优于相同测试集下其他无监督词义消歧方法。