ACLOct, 2017

无监督上位词检测中的分布式包含向量嵌入

PDF
TL;DR本文介绍了一种基于分布式向量嵌入 (DIVE) 的无监督学习方法用于上位词发现，通过每个词的非负向量嵌入来保留单词上下文的包含性质，该方法比以往的无监督嵌入提供最多两倍的准确性和最高的平均性能，并使用更紧凑的单词表示形式，产生许多新的最先进的结果。
hypernymynlpdiveunsupervised learningword embedding
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 分布语义的向量空间用于蕴涵

    本文提出了一个基于向量空间的模型，通过平均场近似，发展了逼近推理程序和蕴涵操作，用于重新解释现有的分布式语义模型（Word2Vec），以近似预测词汇蕴涵关系，通过无监督和半监督实验，在下义词检测方面取得了显著的改进。

    Jul, 2016

  • 层次密度排序嵌入

    本论文提出了一种基于概率密度的单词嵌入模型 —— 密度顺序嵌入模型。该模型通过实现简单而有效的损失函数和距离度量以及基于图的方案选择负样本，学习到分层的概率密度表示。实验结果表明，此方法在 WordNet 层级关系预测任务和 HyperLex 语义蕴涵数据集上表现出了最先进的性能，并保留了丰富而可解释的密度表示。

    Apr, 2018

  • 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

  • 分布语义建模：应用本体相关方法来训练词向量空间模型的修订技术

    本文提出了一种基于神经网络的分布式语义建模技术 SPT，通过自然语言文本中的术语自动提取和应用医学或应用于构建术语向量空间模型的基本实体，实现从分布式词表示向分布式术语表示的转换，从而提高传统本体论开发的准确性。

    Mar, 2020

  • 通过对齐异构词汇语义空间实现未见词表示

    本文提出了一种利用词典等词汇资源，采用图嵌入和跨语言向量空间转换技术，为未见过的单词诱导嵌入的方法，对多个基准测试进行了优化，表现出一致的性能提升。

    Nov, 2018