EMNLPOct, 2020

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

PDF
TL;DR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。
hypernymy detectionpattern-based approachdistributional approachlarge-scale hearst pairscomplementary framework
发现论文，激发创造
  • 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

  • Hearst 模式再探：基于大型文本语料库的自动上下位词检测

    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。

    Jun, 2018

  • 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

  • 基于路径和分布信息的词汇语义关系识别

    本文介绍了一种综合神经方法以识别多个语义关系和判断上位词检测，结果表明基于路径的信息源对分类的贡献不可或缺且常常与分布式信息互补。

    Aug, 2016

  • 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

  • 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

  • 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

  • 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

  • 通过上下位关系提高神经词义消歧的覆盖率和泛化能力

    本文提出了一种新方法解决词义消歧中受语料库覆盖率和效率限制的问题，利用 WordNet 中的知识以及 Synsets 之间的上下位关系来减少所需的不同词义标记的数量，从而在大多数 WSD 评估任务上实现最先进的结果，在不使用附加训练数据的情况下提高督导系统的覆盖范围、减少训练时间和模型的大小，此方法结合集成技术和 WordNet Gloss Tagged 作为训练语料时可以得到显着的超越当前最先进状态的结果。

    Nov, 2018