词汇语义变化探测
第一项共享任务的结果,提供了评估框架和高质量的英语,德语,拉丁语和瑞典语手动注释数据集,解决了词汇语义变化检测领域中评估问题的压力,并吸引了 33 个团队提交了 186 个系统。
Jul, 2020
本文介绍我们在 SemEval2020 任务 1 中创造性的提出了语义变化检测方法,该方法是全自动的,不需要人工干预,且独立于语言;我们利用标准相关分析和正交变换计算语义空间之间的线性变换,并通过比较早期和晚期语料库中目标单词的向量之间的余弦相似度来检测语义变化。
Nov, 2020
本文通过对词汇语义分歧的跨学科大规模评估,在时间尺度和领域范畴两方面开展语义感知变化的检测,并通过集成和扩展基准模型来解决评估历程中表面性和缺乏比较的挑战。此外,本文还展示了利用相同的评估方式和建模方法可以成功地应用于术语提取领域异构感知偏离的同步性检测。
Jun, 2019
通过使用已有的 Word-in-Context(WiC)数据集,我们提出了一种监督式的两阶段语义变化检测(SCD)方法,该方法可预测给定目标词在两个不同文本语料库中是否改变其意义。实验证明,我们的方法在多个语言的多个基准数据集上始终优于以前提出的 SCD 方法,为 SCD 领域建立了新的最先进技术。有趣的是,我们的研究结果暗示,存在着与语义变化相关的专门维度,在意义感知嵌入空间中承载信息。
Mar, 2024
本研究介绍了称为 EmbLexChange 的系统,用于无监督检测词汇 - 语义变化的过程,并展示了该系统在使用重采样框架的情况下可靠地检测英语、德语、瑞典语和拉丁语的词汇 - 语义变化。
May, 2020
该论文评述了语义变化计算在计算语言学领域中的发展现状,提出了一个框架,总结了该领域的五个关键组成部分:历时语料库、历时词义表征、变化建模、评估数据和数据可视化,并指出了该领域存在的核心问题。
Jan, 2018
本文提出了第一种使用上下文词表示进行无监督词汇语义变化的方法。利用 BERT 神经语言模型来获取单词用法的表示,将这些表示聚类到用法类型,并用三种提出的度量方式衡量关于时间的变化。创造了一个新的评估数据集,并表明模型表示和检测到的语义转移与人类判断之间呈正相关。 extensive 的定性分析表明,我们的方法捕捉了各种同步和历时语言现象。我们期望我们的工作将激发进一步的研究。
Apr, 2020
该研究提出了一种基于生成旧新义词的词汇替代方案,它在探测语义变化中实现了第二佳的结果,并且通过观察仅出现在一个时间段的替代词可以理解哪些义项被获得或丢失,从而为用户提供了更详细的信息并使方法具有可解释性。
Jun, 2022