Aug, 2016

HyperLex：大规模分级词汇蕴涵评估

PDF
TL;DRHyperLex 是一份数据集和评估资源，旨在量化语义类别成员资格的范围，即类型关系，也称为下位词 - 上位词或词汇蕴含关系。通过将数百名英语母语者作为研究对象，我们证实了类别成员资格和下位词 - 上位词关系更多是渐进的而非二元的。通过将人的研究成果和自动系统的预测作比较，我们发现两者之间存在巨大的差距，讨论了改进语义模型的途径，并指出了改进评分 LE 系统的未来应用领域。
发现论文，激发创造
  • 三种识别词汇蕴涵的方法实验

    本文介绍了三种词汇蕴含的识别方法，并比较了它们的性能。与其他方法相比，新方法（相似性差异）在某些数据集上表现显著更好，说明词汇蕴含研究和语义关系分类研究之间建立联系是有益的。

    Jan, 2014

  • 为词汇蕴涵专门化的词向量

    该论文提出了一种新的后处理方法 LEAR（词汇蕴涵吸引 - 排斥），将任何输入的词向量空间转换为重视词汇蕴涵关系（LE）的不对称关系，通过将外部语言约束（例如 WordNet 链接）注入到初始向量空间中，LE 特化过程将真正的下位词 - 上位词对在转换后的欧几里得空间中靠近。同时，联合目标使用对称余弦距离来强制实施语义相似性，从而使向量空间同时专门用于词汇关系。LEAR 专业化模型在上位词方向性，上位词检测和分级词汇蕴涵任务中实现了最先进的性能，证明了所提出的不对称专业化模型的有效性和鲁棒性。

    Oct, 2017

  • SLHCat: 基于语义、词汇和层次特征映射维基百科分类和列表到 DBpedia

    通过本研究，我们提出了一种基于本体对齐的方法 SLHCat，利用知识图谱结构和本体类名的词汇和语义特征，自动发现自信的映射，并使用远程监督方式微调预训练语言模型 BERT，以捕捉类名的语义和句法属性。在基准数据集上进行评估，SLHCat 模型在大规模本体映射中较基准模型准确率提高了 25％的显著优势，为实现实际的解决方案提供了可能。

    Sep, 2023

  • 通过 LLMs 潜空间增强上下文分类

    使用转换器模型从维基百科数据集及其相关类别中提取语义信息，通过不同方法对类别的语义特征进行评估和增强，以提高数据组织的语义准确性。

    Apr, 2024

  • 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

  • 探究 LLMs 对语言类别的联合编码

    大型语言模型研究中发现的语言层次结构及其对语法任务的编码方式提供可解释性证据。

    Oct, 2023

  • 利用蕴涵的分布式语义学学习上下位词的词嵌入

    该研究提出了一种基于向量空间的框架来对词汇包容性建模的分布语义模型，利用伪短语中邻近的两个词向量提出了一种隐向量，并探究了模拟词作为证据或词作为后验分布的优缺点。实验表明，所得到的词嵌入模型优于之前预测词之间下义词关系的最佳结果。

    Oct, 2017

  • 论大型语言模型在词汇蕴涵识别中的局限性

    通过使用不同的提示策略和零 / 少次调优设置，我们研究了八个大型语言模型在识别动词之间的词汇蕴涵关系方面的能力，结果揭示了这些模型在适度表现上可以处理词汇蕴涵识别任务，虽然在不同条件下的效果有所不同，同时，利用少次调优可以提高模型的性能，然而，完美地解决该任务对于所有受检模型来说仍然是一个未满足的挑战，这为进一步研究发展提供了新的机遇。

    Jun, 2024

  • CogALex-V 共享任务: LexNET - 用于语义关系识别的综合路径和分布式方法

    本文提出了一个基于网络算法 LexNET 的语义关系识别方法，其中结合了路径和分布式信息，在 CogALex 2016 语义关系公共任务中获得了良好的成绩。虽然在一些子任务中表现相对较差，但仍然显示出路径和分布式信息相结合对于语义关系的识别意义重大。

    Oct, 2016

  • 组合分布语义的分级蕴涵

    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