ACLJun, 2018

Hearst 模式再探：基于大型文本语料库的自动上下位词检测

PDF
TL;DR本文研究了两种无监督上义词检测方法：基于模式和基于分布的方法。在多个上位词任务上，实验发现基于模式的方法在常见基准数据集上始终优于基于分布的方法。结果表明，基于模式的模型提供了尚未在基于分布的方法中捕获的重要语境约束。
unsupervised hypernym detectionpattern-based methodsdistributional methodsperformance evaluationcontextual constraints
发现论文，激发创造
  • 当 Hearst 不足以时：使用分布式模型改进基于语料库的上下位关系检测

    本论文介绍一种互补框架，该框架将基于模式的方法和分布式方法无缝协作，以检测单词之间的上位词关系，尤其是针对一些在基于模式的方法中无效的情况。在多个基准数据集上，我们的框架取得了竞争性的改进，并且案例研究显示它更具可解释性。

    Oct, 2020

  • 关系诸如上位词：通过分布向量识别和利用海斯特模式以用于语义蕴涵

    本文研究使用分布式向量预测词汇蕴涵的任务，提出基于 Hearst patterns 的特征提取方法，并结合文献中已有的优秀模型，成功预测多个数据集的结果。

    May, 2016

  • 整合基于路径和分布式方法的上下位词检测的改进

    本文中，我们通过使用循环神经网络对依赖路径进行编码，提出了一种改进的基于路径的算法，可以有效检测 NLP 中的上下位关系，并且与分布式方法相当。 我们进一步将这种方法扩展到组合基于路径和分布式信号的方法，从而显着提高了检测上下位关系的准确性。

    Mar, 2016

  • 通过双曲嵌入从文本语料库中推导概念层次结构

    本文提出了一种新方法， 结合了双曲嵌入与 Hearst 模式，用于从大型文本语料库中推断概念层次结构和 is-a 关系。实验表明，该方法在多个基准测试中取得了最先进的性能。

    Feb, 2019

  • 超类型遭受围攻：基于语言学的上位词检测方法

    研究发现，基于语义分布的无监督测量方法可以用于上位词关系的自动识别，相对于有监督方法具有更高的鲁棒性。

    Dec, 2016

  • 基于模式增强嵌入学习的弱监督关系抽取

    本研究提出了一种基于分布式方法和基于模式方法集成的弱监督关系提取模型，通过共同训练两个模块，实现在标记数据不足的情况下提高识别准确率的目的。在实验中，该模型成功完成了知识库补全和语料库级别关系提取任务。

    Nov, 2017

  • 从科学文献中发现定义和方法的模式

    本文提出了一种分析方法，用于从科学文档中发现定义和方法的模式，并使用该方法发现定义和方法的模式。

    Jul, 2023

  • 专利文本中用于上下位词检索的技术分类

    本文提出了一种基于专利合作分类（CPC）的技术术语分类自动化方法，生成的分类包含 9 个独立技术分支中的约 170k 个节点，并且使用 Text-to-Text Transfer Transformer (T5) 模型 fine-tune 生成上下位词并得到相对较高的准确性，从而证明了此资源的质量。T5 模型可以打开新的技术术语的分类（根据上下位关系），因此这个资源可以更新，是技术术语领域不断发展的必要特性。

    Nov, 2022

  • 从多模态数据中学习概念分类法

    本文提出了一种基于文本和图像的概率模型，通过端到端特征设计实现自动构建上位词分类法。通过小型本体数据的判别训练，该模型可以从头开始为具有关联图像的未知概念标签构建完整的分类法。在 WordNet 层次结构的评估中，本系统的表现优于以往方法。

    Jun, 2016

  • 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