Nov, 2019

SemEval-2013 任务 4：名词复合词的自由同义重组

PDF
TL;DR本文介绍了 SemEval-2013 任务 4 的定义、数据、评估和结果，并描述了该任务的目标是通过解释性改写捕捉英语名词复合词的一些意义。三个系统参加了任务，他们在其中一个评估措施上击败了简单基线，但在两个评估措施上都没有击败它。
semeval-2013task 4english noun compoundsparaphrasingevaluation
发现论文，激发创造
  • 揭示隐含名词复合关系

    提出使用神经模型来表示名词复合词的释义，并能够泛化到不常见的名词复合词及其释义，从而在 NLP 应用中提高名词复合词释义和分类的性能。

    May, 2018

  • 从巧克力兔到巧克力鳄鱼：语言模型是否理解名词复合词？

    这篇论文提出了一种修改后的核心任务和评估方法，用于解决名词组解释和概念化的问题，并表明 GPT-3 在这两个任务上的表现都很出色，尤其是后者，因为它需要创造力、常识和知识的广泛推广能力。此外，研究人员估计了 GPT-3 处理新名词组的能力，并探讨了 GPT-3 的推理能力是否在与无脑地执行训练数据的策略之间取得平衡。

    May, 2023

  • 任务导向的释义分析

    通过文献综述和提出分类法，本研究对 25 个已知的改写（子）任务进行整理和组织。使用分类器识别给定改写实例适用的任务，发现已知改写语料库中特定任务实例的分布差异很大。这意味着在没有明确定义相应改写条件的情况下使用这些语料库会导致不可比较和误导性的结果。

    Mar, 2024

  • 复合词拆分的经验方法

    本文介绍了通过单语和平行语料库学习分割规则的方法，对机器翻译等 NLP 应用中的复合词进行处理，评估结果表明，在德英名词短语翻译任务中，可以获得 99.1％ 的准确性和 0.039 BLEU 的性能提升。

    Feb, 2003

  • 学习改写以进行问答

    利用释义学习问题表达的多样性来提高询问回答系统在 Freebase 和句子选择上的准确性。通过训练端到端来直接学习最有可能产生正确答案的语言表达，得到了有竞争力的结果。

    Aug, 2017

  • 无监督形态学范式补全

    本文提出了无监督词形范式补全的任务，并介绍了一个通过编辑树检索、范式规模探测和屈折生成等步骤生成词态的系统，该系统在 14 个语言上得到了很好的性能。

    May, 2020

  • SemEval-2021 任务 1：词汇复杂度预测

    本文介绍了 SemEval-2021 任务 1 的结果和主要发现，该任务专注于单词和多词表达式的词汇复杂性预测，使用 CompLex 语料库对这些单词和表达式进行了标注。该比赛吸引了 198 支队伍参加，其中 54 支队伍提交了关于单词的正式结果，37 支队伍提交了关于多词表达式的正式结果。

    Jun, 2021

  • 设计统计语言学习器：关于名词复合词的实验

    该论文通过提出一种新型设计实现语言分析，包括统计语言学习的理论贡献，将概率赋给语义形式而不是更表面的语言元素，以及通过实验证明在名词组分析方面，提出的句法模型明显优于先前提出的模型，语义模型第一次以统计方法解决该问题，显示出更高的准确性，为未来研究提出了广泛适用的数据需求理论。

    Sep, 1996

  • 利用 Bootstrapping 和 Web 作为语料库的大规模名词复合物解释

    本文研究获取名词复合物及其语义解释的方法，通过引入 bootstrapping 和 web statistics，利用名词复合物与其解释模式的关系，进行多次交替提取，并发现将一个复合名词固定可以获得更多的有语义解释的复合名词和更强的语义限制。

    Nov, 2019

  • UH-PRHLT 在 SemEval-2016 任务 3 中的表现：结合基于词汇和语义的特征用于社区问答

    该论文介绍了 UH-PRHLT 系统，使用词汇和语义相似性来表示文本对实例，使用 BabelNet 和 FrameNet 生成知识图谱，并在三个英文子任务中的实验结果优于随机和 Google 搜索引擎基线，尤其在子任务 B 中获得了最高成绩。

    Jul, 2018