KDDNov, 2013

语义排序：个性化语义相关性的监督学习方法

PDF
TL;DR本文提出了一种基于主观注释的新型监督学习方法来学习统计句子相关性模型，该模型由大规模背景知识语料库中的文本单位关联的参数化共现统计信息组成，并提出了一种高效的算法来从相关性偏好的训练样本中学习语义模型，方法独立于语料库、适用于任何足够大的（非结构化）文本集合，并且可以为特定用户或用户组拟合语义模型。通过广泛的小到大规模实验结果表明，这种方法是有效的，竞争力强。
statistical semantic relatedness modelssupervised approachco-occurrence statisticsefficient algorithmuser-specific semantic models
发现论文，激发创造
  • 面向特定领域语义模型评估的以高排名为中心的自适应投票收集

    研究使用自然语言处理模型进行内容推荐的领域，提出了一种基于语义相似度的数据集构建协议，并定义了适当的度量方法，以评估模型在排名前几位时的效果。

    Oct, 2020

  • 将语义关系嵌入到词表示中

    通过提取语料库中词汇的共现模式来实现无监督学习，学习不仅代表个体单词的表示，还明确捕捉代表单词间语义关联的词向量表示，并通过联合权重和二元分类器来描述单词间的语义关系，取得了普遍类比检测三个基准数据集中的显著性优势。

    May, 2015

  • 基于语义相关性的文本识别再排序

    我们提出了一种神经方法来学习语义相关性，并通过学习单词对句子或单词到单词的关系分数来改善文本识别性能，证明了在识别图像中的文本时，语义相关性可以优于其他度量标准。

    Sep, 2019

  • 句子语义相关的原因：一个文本相关性数据集和实证研究

    本文介绍一个新的数据集 ——STR-2022，该数据集包含 5,500 个英文句子对，用比较注释框架手动注释，得出精细的分数，用于探索相关性和评估自动句子表示方法及下游的自然语言处理任务。

    Oct, 2021

  • 自然语言和本体分析的语义相似性

    本书主要介绍语义相似度估计及其它语义度量学科的两种最先进的方法：自然语言处理技术和语义模型以及基于语义网络、词库或本体论的计算机可读的知识形式。它的目的是为初学者和研究人员提供更好地理解语义相似度估计和更一般的语义度量。

    Apr, 2017

  • 利用自监督学习学习对象语义相似性

    通过模拟时间序列的视觉经验，结合既视感与语言的对齐，我们的研究表明时间和既视感对齐是解释人类某些形式的语义知识起源的可能计算原理。

    Apr, 2024

  • 语义相似度的演化 -- 综述

    本文旨在全面概述自然语言处理领域中语义相似度计算的研究现状和各种方法及其优劣，将其归类为基于知识、基于语料库和基于深度神经网络等不同原理的方法，并希望能够促进新研究者的创新思路和实验。

    Apr, 2020

  • 基于语料库的类比和语义关系学习

    论文提出” 基于向量空间模型（VSM）的无标注文本学习算法 “，应用于中学生常见 SAT 考试的语义类比题及名词修饰语语义关系分类中，取得了 47% 和 43.2% 的正确率，性能达到当时最高水平。

    Aug, 2005

  • 面向任务的词向量学习用于语义关系分类

    本文介绍了一种新颖的学习方法，用于关系分类的单词嵌入训练，并使用无标注语料库上的词汇关系特定特征预测名词对之间的单词，以将关系特定信息显式地纳入单词嵌入中。通过使用所学习的单词嵌入来构建特征向量，用于关系分类模型。在一个基于语义关系分类任务中，我们的方法表现显著优于基于之前介绍的单词嵌入方法的基准线，并与使用句法信息或手动构造的外部资源的先前最先进的模型相比，表现出了比较良好的结果。

    Feb, 2015

  • 语义增强的关系度量学习在推荐系统中的应用

    通过引入语义信息，我们提出了一种联合语义增强关系度量学习 (SERML) 框架，该框架从目标评论中提取语义信号，并通过该信号改进了原始基于关系的训练过程的区分能力，实验证明 SERML 在推荐系统中表现与几种先进方法相当。

    Jun, 2024