Aug, 2018

Sememe Prediction: 从非结构化文本 Wiki 描述学习语义知识

PDF
TL;DR该研究探索如何通过使用维基百科网站上的词语描述自动预测词汇语义单位（sememes），提出一种标签分布式序列到序列模型（LD-seq2seq）和一种新型软损失函数来解决这个弱序多标签任务，实验表明，相比于基线和人类标注者，该方法在测试集上取得了更好的表现。
sememesnlp systemswiki websiteslabel distributed seq2seq modelhownet
发现论文，激发创造
  • 利用单词的汉字进行词汇义原预测

    本研究提出一种结合内部字符信息和外部上下文信息的新型框架，用于汉语语言下的词汇语义预测任务，实验结果表明该方法可以提高语义标注的效率和一致性，对低频词仍然有较好的性能表现。

    Jun, 2018

  • 构建多语言义元知识库：为 BabelNet Synsets 预测 Sememes

    通过 BabelNet，我们提出了建立一个统一的多语言语义元基础知识库的方法，将超过 15000 个单词的语义元手动标注，然后提出了两个模型来自动预测语义元素，最终通过定量和定性分析探索了任务中的重要因素和难题。

    Dec, 2019

  • 基于深度聚类网络搭建跨语言义元知识库的分析

    通过深度聚类网络和自我注意机制，本文提出了一种无监督方法来构建含有语义基元注释的知识库，从而更好地理解人类语言。

    Aug, 2022

  • 使用多语言和多模态信息预测 BabelNet 同义词集的义元

    本研究旨在通过多模态信息融合模型，自动预测 BabelNet Synsets 的 Sememes，以此建立基于 BabelNet 的多语种语义知识库。实验结果表明，该模型相较于此前方法有着更佳的预测性能。

    Mar, 2022

  • 基于义原专家稀疏积模型的语言建模

    该研究提出了一种用 Sememe 来驱动语言模型的方法，使得语言模型能够通过对最小语义单元的学习（Semantics）来改善预测表现、提高解释性和鲁棒性。

    Oct, 2018

  • SememeASR: 利用义元语义知识提升端到端语音识别在领域和长尾数据转移上的性能

    在语音识别领域，通过引入基于义原的语义知识信息（SememeASR），从知识驱动的角度改进了纯数据驱动方法的问题解决，提高了语音识别的有效性，并增强了模型对长尾数据的识别和领域泛化能力。

    Sep, 2023

  • 通过词典自动构建义原知识库

    本文提出了一种基于现有词典完全自动地构建英文和法语语义知识库 (SKBs) 的简单方法，并进行了综合评估。实验结果表明，自动构建的英语 SKB 甚至优于需要数十年手动构建的 HowNet，在多个后续任务中，英语和法语 SKBs 都能带来明显的性能提升。

    May, 2021

  • SememeLM：一种用于长尾关系表示的基于义原知识增强的方法

    本文提出了一种基于知识图谱的方法（SememeLM）来增强长尾关系的表示，在语言模型中引入义元能够打破词汇之间的上下文约束，并通过一致性对齐模块将外部知识与语言模型结合，最终在词类比数据集的实验中表现出优于一些现有方法的能力。

    Jun, 2024

  • 双向语言模型的半监督序列标注

    本文探讨了一种半监督的方法，通过添加双向语言模型的预训练上下文嵌入到 NLP 系统中用于序列标注任务，相比其他转移学习或添加标记数据和任务特定词典的方法，在命名实体识别和块分割等任务上实现了最先进的结果。

    Apr, 2017

  • QASem 解析：基于 QA 语义的文本到文本建模

    该论文研究了使用问答的方式表示语义关系，并从三个任务的角度分析了如何最好地利用 seq2seq 预训练语言模型的威力。最终提出了一个综合文本信息的模型，并发布了具有实用性的 QASem 分析工具。

    May, 2022