AAAIMar, 2016

ROOT13: 发现上位词、共同下位词和随机词

PDF
TL;DR本文介绍了 ROOT13，一种基于监督学习的分类系统，用于分类 hypernyms、co-hyponyms 和 random words，该系统依赖于随机森林算法和 13 个无监督语料库特征。该研究通过 10 倍交叉验证在三个类别中评估它，并涉及几个词性。当所有类别存在时，ROOT13 的得分为 88.3％，而基线为 57.6％；当分类为二进制时，ROOT13 的结果很优秀。
supervised systemclassificationrandom forest algorithmcorpus-based featureshypernyms
发现论文，激发创造
  • 使用随机森林学习分类的语义关系的九个特征

    ROOT9 是一个基于语料库的非监督特征分类系统，可对上位词、共同下位词和随机单词进行分类，分类效果较之前的方法明显提高。

    Mar, 2016

  • 通过上下位关系提高神经词义消歧的覆盖率和泛化能力

    本文提出了一种新方法解决词义消歧中受语料库覆盖率和效率限制的问题，利用 WordNet 中的知识以及 Synsets 之间的上下位关系来减少所需的不同词义标记的数量，从而在大多数 WSD 评估任务上实现最先进的结果，在不使用附加训练数据的情况下提高督导系统的覆盖范围、减少训练时间和模型的大小，此方法结合集成技术和 WordNet Gloss Tagged 作为训练语料时可以得到显着的超越当前最先进状态的结果。

    Nov, 2018

  • HyperBox：使用盒子嵌入的监督方法进行上下位词发现

    本研究提出了一种新的模型 HyperBox，用于学习盒子嵌入以实现寻找单词的上位词，经过实验证明，在医学和音乐领域的性能明显优于现有方法，并具有良好的泛化性能。

    Apr, 2022

  • 超类别检测的数据增强

    本研究旨在探讨 NLP 中的 hypernymy detection 问题，提出两种数据扩增技术和两种扩增数据集的策略，通过对 3 种数据集和 2 种向量空间的评估表明，这些方法显著提高了分类器的性能。

    May, 2020

  • 向量空间中的层级：定向词和图嵌入

    本文介绍一种从无序平面嵌入空间中捕捉层次结构信息的数据结构算法，基于权威性分布的想法构建有向根树，用于识别单词的上位词关系和寻找共同祖先，同时在维基页面链接恢复方面表现出优异的性能。

    Nov, 2022

  • 层次嵌入用于上下位关系检测与方向性

    介绍了一种名为 HyperVec 的神经模型，其可以学习分层嵌入，以检测和定向上位词，可以捕捉上位词 - 下位词分布层次结构，以及可以用于跨语言映射。实验结果表明，HyperVec 在上位词检测和定向，以及预测分级词汇蕴涵方面均优于现有的无监督方法和嵌入模型。

    Jul, 2017

  • 树形方法在并行层次分类中的应用

    提出一种基于张量运算在硬件加速器上进行高效分层分类的方法，通过将给定语义树节点上的分类得分和标签批次转换为其沿着树向下的所有祖先路径上得分和标签，从而将所有标签转换为其所有祖先路径上的标签，其测试结果为在包含 20 级深度的 117,659 个分类的 WordNet 3.0 的树上，仅占用固定的 0.04GB 内存，计算量很小。

    Sep, 2022

  • 词汇语义增强的神经词向量

    通过深度度量学习进行后处理可以提高神经语言模型中语义相似度推断的效果，并将层次拟合用于建模 IS-A 层次中的语义相似性细微差别。

    Oct, 2022

  • 超范畴预测无监督方法的去掩码化研究

    该论文比较了无监督的上位词预测方法，特别是在英语和德语的数据集上证明了三种方法的预测结果与基于频率的预测结果高度重叠和高度相关；然而，第二种方法 SLQS 虽然整体准确度较低，但在其他方法出错时可以进行正确的预测。该研究再次证实了需要检查计算方法中的频率偏见以识别与频率相关的效应的普遍需求。

    May, 2021

  • 上海交通大学自然语言处理实验室参加 SemEval-2018 任务 9: 利用术语嵌入进行神经上下位关系发现

    本文介绍了一个为参与 SemEval-2018 任务 9 的超超级词发现系统，通过预设的词汇表的搜索空间给出最佳的候选超系词。我们引入了神经网络架构来完成这个任务，并且实证研究了各种神经网络模型以建立单词和短语的潜在空间表示。评估模型包括卷积神经网络、长短期记忆网络、门控循环单元和循环卷积神经网络。我们还探讨了不同的嵌入方法，包括单词嵌入和感性嵌入，以取得更好的性能。

    May, 2018