DisCoCat model 在组合分布式意义、语义逻辑、范畴语法等方法方面表现出很好的性能,本文扩展研究着重探讨 DisCoCat 的矩阵方法在处理及消除动词歧义方面的应用。
Jul, 2011
本文研究了表示及物动词语义的三阶张量的学习,使用了基于张量的语义框架,并使用神经网络的标准技术学习张量,并在简单的二维句子空间上进行了选择偏好式任务的测试,并与竞争性基于语料库的基线进行比较,结果有希望,扩展这项工作超越及物动词,并针对更高维的句子空间,是机器学习社区需要考虑的有趣和具有挑战性的问题。
Dec, 2013
本文介绍了基于矢量表示的分布语义模型,扩展到短语和句子,提出了分类组合分布语义学理论框架,实现了短语和句子层面的言外推理,并通过实验论证了基于密度矩阵的熵距离在词语和短语、句子层面的言外推理可行性和优越性。
Dec, 2015
本文提供了一种用于实现分布式语义中语义合成模型的矢量空间的具体方法,实现方法基于结构化向量空间及张量积原理,将所有句子的语义矢量存在同一向量空间,并将提出的句子空间设置为两个名词空间的张量积,并通过它们的向量内积来比较句子的语义。
Dec, 2010
本文提出一种新的基于概率框架、结合形式语义和机器学习的方法,通过将谓词与其所指实体分开,利用贝叶斯推断来对逻辑形式进行推理,在使用受限玻尔兹曼机和前馈神经网络的组合实现这一框架之后,最终证明了该方法的可行性。
Jun, 2016
利用经验分配法对句子进行组合意义建模一直是计算语言学家面临的挑战。我们利用 BNC 数据实现了 Coecke 等人的抽象范畴模型,并进行了评估。实现基于无监督学习的关系词矩阵,应用于其参数的向量。我们的模型在失歧任务上拥有比竞争对手更优异的表现,而随着句法复杂度的增加,结果的普遍改善展示了我们模型的组合能力。
Jun, 2011
本文提出了用自动提取的近义例子替代手工注释进行组合模型训练的方法,同时开发了一种上下文感知的短语组成能力评分模型,实验结果表明这些方法可以用于提高机器翻译系统的翻译质量。
Jan, 2018
本文旨在研究表明了深度学习在自然语言处理方面的取得的成功,然而,对于它们能否展示出人类一样具有自然语言理解的概括能力的范围还不清楚。我们在自然语言推理领域探讨了这个问题,侧重于推理关系的可传递性,这是一种系统地进行推理的基本属性。结果表明,目前的自然语言推理模型无法很好地完成传递性推理任务,这表明它们缺少从提供的训练示例中综合推理的概括能力。
Jan, 2021
提出了一种在脉冲神经网络结构中实现复合分布语义、解决概念绑定问题的方法,利用标记图像进行词向量训练。
Jan, 2024
本文研究了分类组合分布语义学中的词汇包含问题,使用密度矩阵和量子计算中的部分知识的范畴语义思想提出了一种新的语言模型,并引入了一种新颖而强健的分级量化概念,能够有效地计算概念之间的包含关系。
Jan, 2016